Anomaly detection and localisation using mixed graphical models - Archive ouverte HAL Access content directly
Theses Year : 2017

Anomaly detection and localisation using mixed graphical models

Détection et localisation d'anomalies dans des données hétérogènes en utilisant des modèles graphiques non orientés mixtes

(1)
1

Abstract

This thesis revolves around an industrial need of Thales Système Aéroportés and the RBE2 combat radar equipping Dassault Rafale fighter aircraft. It develops a methodology for locating anomalies in heterogeneous data stream using a mixed, non-orientation and peer-to-peer graphical model. The data are a mixture of categorical and quantitative variables, and the model is learned from a data set that is assumed not to contain abnormal data. Anomaly localization algorithms use an adapted version of the CUSUM algorithm, whose decision function is based on the calculation of conditional likelihood ratios. This function allows the detection of variable anomalies per variable and the precise localization of the variables involved in the anomaly.
Cette thèse s’articule autour d’un besoin industriel de la société Thales Système Aéroportés et du radar de combat RBE2 équipant les avions de chasses Dassault Rafale. Elle développe une méthodologie de localisation d’anomalies dans des flux de données hétérogènes en utilisant un modèle graphique mixte non orienté et pairs à pairs. Les données sont un mélange de variables catégorielles et quantitatives, et le modèle est appris à partir d’un jeu de données dont on suppose qu’il ne contient pas de données anormales. Les algorithmes de localisation d’anomalies utilisent une version adaptée de l’algorithme CUSUM, dont la fonction de décision est basée sur le calcul de ratios de vraisemblance conditionnelles. Cette fonction permet de réaliser une détection d’anomalies variable par variable et de localiser précisément les variables impliquées dans l’anomalie.
Fichier principal
Vignette du fichier
manuscript-laby.pdf (2.73 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03219690 , version 1 (06-05-2021)

Identifiers

  • HAL Id : tel-03219690 , version 1

Cite

Romain Laby. Détection et localisation d'anomalies dans des données hétérogènes en utilisant des modèles graphiques non orientés mixtes. Machine Learning [stat.ML]. Télécom ParisTech, 2017. Français. ⟨NNT : 2017ENST0026⟩. ⟨tel-03219690⟩
106 View
192 Download

Share

Gmail Facebook Twitter LinkedIn More