Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Détection d'anomalies collectives
Processus d'identification de groupes d'observations qui présentent un comportement anormal lorsqu'elles sont considérées ensemble, bien que chaque observation individuelle puisse paraître normale.
Anomalie contextuelle
Observation ou groupe d'observations qui devient anormal uniquement lorsqu'il est analysé dans un contexte spécifique, dépendant des attributs environnementaux ou temporels.
Isolation Forest adaptative
Extension de l'algorithme Isolation Forest modifiée pour détecter efficacement les anomalies collectives en adaptant les critères de partitionnement aux structures de groupe.
Détection par graphe
Approche représentant les données comme un graphe où les anomalies collectives sont identifiées comme des sous-graphes présentant des propriétés structurelles inhabituelles.
Analyse en composantes principales robuste
Variante de l'ACP résistante aux valeurs extrêmes, permettant d'identifier des groupes d'anomalies en minimisant leur influence sur la détermination des composantes principales.
CoClustering
Technique de clustering simultané sur les dimensions lignes et colonnes d'une matrice de données, révélant des structures anormales dans les relations entre observations et attributs.
Détection de communautés anormales
Identification de sous-groupes d'entités présentant des schémas de connexion ou de comportement collectifs inhabituels par rapport aux communautés établies.
Méthodes de sous-espace
Approches détectant les anomalies collectives dans des sous-espaces spécifiques des données où les groupes présentent des comportements anormaux non visibles dans l'espace complet.
Détection de motifs rares
Technique identifiant des combinaisons d'attributs ou de comportements apparaissant rarement mais de manière cohérente, révélatrices d'anomalies collectives.
Analyse de séries temporelles multivariées
Examen des corrélations et dépendances entre plusieurs séries temporelles pour identifier des périodes où le comportement collectif dévie significativement de la norme.
Deep Learning pour anomalies collectives
Utilisation d'architectures de réseaux profonds (GAN, Transformers, Graph Neural Networks) pour modéliser des relations complexes et détecter des anomalies de groupe subtiles.
Méthodes d'ensemble
Combination de multiples algorithmes de détection d'anomalies pour améliorer la robustesse et la précision dans l'identification des anomalies collectives.
Détection basée sur la distribution
Approche statistique modélisant la distribution jointe des observations et identifiant les groupes dont la probabilité d'occurrence est anormalement faible.