Des chercheurs examinent des méthodes basées sur l’apprentissage en profondeur pour détecter les anomalies des données de séries chronologiques

La surveillance de la sécurité financière, de la sécurité industrielle, des conditions médicales, du climat et de la pollution nécessite l’analyse de grands volumes de données de séries chronologiques. Une étape cruciale de cette analyse consiste à identifier les points, modèles ou événements inhabituels qui s’écartent d’un ensemble de données. Ceci est connu sous le nom de « détection d’anomalies » et est effectué à l’aide de techniques d’exploration de données.

Bien que les méthodes d’apprentissage en profondeur aient été largement appliquées dans la détection d’anomalies, il n’existe pas de technique unique qui fonctionne pour de multiples applications dans une variété de domaines. De plus, les études existantes sur la détection des anomalies pour les séries chronologiques multivariées se concentrent uniquement sur l’approche sans examiner ses défis.

Un groupe de chercheurs de l’Université Chung-Ang en Corée a maintenant comblé cette lacune en résumant les applications basées sur la détection d’anomalies. L’équipe, comprenant le professeur Jason J. Jung et le Dr Gen Li, a évalué les techniques de pointe actuelles de détection des anomalies et a relevé les défis qui y sont associés.

Leur travail a été mis à disposition dans Fusion d’informations.

« Notre sujet de recherche fondamentale est la détection d’anomalies dans des séries chronologiques multivariées. Dans cette revue, nous avons résumé les approches, les défis et les applications pour la même chose », explique le professeur Jung. Le duo de chercheurs a beaucoup travaillé sur la détection d’anomalies de séries chronologiques pour plusieurs variables et a déjà publié ses travaux sur la détection des crises, la surveillance du climat et la surveillance de la fraude financière qui ont abouti à cette revue.

L’équipe a d’abord classé les anomalies en trois types, à savoir les points temporels anormaux, les intervalles de temps et les séries chronologiques. Ensuite, ils ont souligné que, parmi les réseaux de neurones artificiels basés sur l’apprentissage en profondeur, la mémoire longue à court terme (LSTM) et les auto-encodeurs sont les plus couramment utilisés pour détecter des points de temps et des intervalles de temps anormaux.

De plus, ils ont discuté de méthodes alternatives telles que les graphiques dynamiques qui examinent les caractéristiques relationnelles entre les séries chronologiques et détectent les intervalles de temps anormaux. Un résumé détaillé des limites actuelles des techniques courantes mettant l’accent sur la cause profonde des anomalies a également été fourni.

Enfin, le duo a présenté un aperçu complet des applications pour la détection d’anomalies dans les séries temporelles multivariées. Ils ont organisé des ensembles de données de séries chronologiques en libre accès et ont également discuté des questions de recherche ouvertes et des défis liés à la détection d’anomalies dans des séries chronologiques multivariées.

Le potentiel des approches basées sur l’apprentissage en profondeur pour la détection des anomalies est considérable, comme le présume le professeur Jung : « Je pense que cette revue aidera les chercheurs à trouver l’approche appropriée pour détecter les anomalies dans leurs domaines de travail respectifs. Par exemple, dans le domaine de la science, les gens peuvent facilement trouver les ensembles de données en libre accès et la méthode de détection d’anomalies de pointe correspondante dans cet article. Pour les applications industrielles, les techniques de détection d’anomalies appropriées pour identifier les dommages et les défauts pourraient être facilement trouvées dans cette revue  » .

En ce qui concerne les défis à relever, développer un modèle pour expliquer les anomalies détectées est d’une valeur considérable puisqu’il peut nous aider à comprendre pourquoi l’anomalie s’est produite en premier lieu. « Le défi consiste à identifier la relation entre un point temporel anormal et le point temporel menant à cette anomalie », explique le professeur Jung.

Pris ensemble, cet examen est une ressource inestimable pour sélectionner des techniques de détection d’anomalies appropriées pour divers domaines, ainsi que pour développer des techniques de détection d’anomalies plus efficaces.

Fourni par l’Université Chung Ang