AI 용어집
인공지능 완전 사전
Anomalie additive
Type d'anomalie où la valeur observée diffère de la valeur attendue par un ajout ou une soustraction constante, souvent détectée par analyse des résidus dans les modèles de séries temporelles.
Anomalie collective
Séquence d'observations consécutives qui, prises individuellement, apparaissent normales mais collectivement forment un comportement anormal par rapport au schéma temporel attendu.
Détection par fenêtre glissante
Technique analysant des segments de séries temporelles de taille fixe se déplaçant pas à pas pour identifier des motifs anormaux locaux et des changements de distribution.
Changement de régime
Transition abrupte ou graduelle entre différents états stables d'une série temporelle, caractérisée par des modifications significatives des propriétés statistiques comme la moyenne ou la variance.
Point de rupture
Instant précis où les propriétés statistiques d'une série temporelles changent de manière significative, nécessitant des algorithmes comme PELT ou Binary Segmentation pour être détecté efficacement.
ARIMA pour détection d'anomalies
Utilisation de modèles ARIMA pour prédire les valeurs futures et identifier les observations dont les résidus dépassent les seuils statistiques attendus selon la distribution normale.
Décomposition STL
Algorithme Seasonal and Trend decomposition using Loess séparant une série temporelle en composantes tendance, saisonnalité et résidus pour isoler les anomalies dans la partie résiduelle.
Z-Score temporel
Score standardisé adapté aux séries temporelles utilisant des moyennes et écarts-types mobiles pour normaliser les observations selon leur contexte temporel local.
Matrix Profile
Structure de données calculant la distance minimale entre chaque sous-séquence et ses voisins les plus proches, permettant une détection rapide d'anomalies de motifs dans de longues séries temporelles.
DeepAnomaly
Approche d'apprentissage profond combinant autoencoders variationnels et attention mécanisme pour modéliser les distributions temporelles complexes et détecter les anomalies multivariées.
HDBSCAN temporel
Adaptation de l'algorithme de clustering HDBSCAN intégrant des contraintes temporelles pour identifier des clusters anormaux et des transitions dans les séries temporelles multidimensionnelles.
One-Class SVM temporel
Variante de SVM non supervisé utilisant des noyaux temporels et des embeddings dynamiques pour apprendre la frontière de normalité dans l'espace des séries temporelles.
Anomaly Score
Métrique quantitative normalisée entre 0 et 1 évaluant le degré d'anomalie d'une observation, combinant souvent plusieurs indicateurs comme la densité locale, l'écart de reconstruction et les scores statistiques.