AI 용어집
인공지능 완전 사전
Outlier Detection
Technique statistique visant à identifier des observations qui s'écartent significativement du comportement normal des données. Ces points aberrants peuvent indiquer des erreurs de mesure, des événements rares ou des comportements frauduleux nécessitant une attention particulière.
Autoencoder Anomaly Detection
Approche basée sur les réseaux de neurones où un autoencoder est entraîné à reconstruire les données normales. Les anomalies présentent une erreur de reconstruction élevée car le modèle n'a pas appris à représenter efficacement ces patterns inhabituels.
Z-Score Anomaly Detection
Méthode simple de détection d'anomalies univariées basée sur le nombre d'écarts-types par rapport à la moyenne. Les observations avec un Z-score dépassant un seuil typique (souvent 3) sont considérées comme des anomalies statistiquement significatives.
Density-Based Clustering
Famille d'algorithmes qui identifient les clusters comme des régions de haute densité séparées par des régions de faible densité. Les anomalies apparaissent naturellement comme des points isolés dans les zones de faible densité entre les clusters.
Local Outlier Probability (LoOP)
Algorithme de détection d'anomalies qui calcule des probabilités locales d'exceptionnalité basées sur la densité locale. Fournit des scores interprétables entre 0 et 1, facilitant le seuillage et l'interprétation des résultats.
Connectivity-Based Outlier Detection
Approche qui identifie les anomalies en analysant la connectivité des points dans l'espace des données. Les outliers présentent des chemins de connexion plus longs ou moins nombreux vers les autres points comparés aux observations normales.
Angle-Based Outlier Detection (ABOD)
Méthode de détection d'anomalies basée sur les angles formés par les vecteurs entre un point et ses voisins. Les outliers présentent une plus grande variance dans les angles mesurés car ils se situent dans des régions de faible densité du nuage de points.
Clustering-Based Local Outlier Factor (CBLOF)
Algorithme qui combine d'abord un clustering puis évalue les anomalies basées sur la taille et la distance des clusters. Les points dans les petits clusters ou loin des centroïdes des grands clusters reçoivent des scores d'anomalie élevés.
Histogram-Based Outlier Detection (HBOS)
Méthode efficace de détection d'anomalies qui construit des histogrammes unidimensionnels pour chaque feature. Calcule un score d'anomalie comme l'inverse du produit des hauteurs d'histogrammes, particulièrement rapide sur des données de grande dimension.
K-Nearest Neighbors Anomaly Detection
Approche simple qui identifie les anomalies en calculant la distance moyenne aux k plus proches voisins. Les points ayant des distances moyennes significativement plus élevées sont considérés comme des outliers car ils s'éloignent des concentrations de données normales.
Gaussian Mixture Model Anomaly Detection
Technique probabiliste modélisant les données comme un mélange de plusieurs distributions gaussiennes. Les anomalies sont identifiées comme des observations ayant une faible probabilité sous le modèle appris, indiquant qu'elles ne correspondent à aucune composante gaussienne principale.