Soutenance de doctorat de Lanfang Kong : Algorithmes explicables pour la détection d’anomalies et la prévision de séries chronologiques
Vendredi 20 décembre 2024 à 10h (heure de Paris), à Télécom Paris
Télécom Paris, 19 place Marguerite Perey F-91120 Palaiseau [y aller], amphi 4 et en visioconférence
Titre original : Explainable algorithms for anomaly detection and time series forecasting
Jury
- João Gama, Professor, University of Porto, Rapporteur
- Grégory Smits, Professor, IMT Atlantique, Rapporteur
- Yanlei Diao, Professor, Ecole Polytechnique, Examinatrice
- Anne Sabourin, Professor, Université Paris Cité, Examinatrice
- Yousra Chabchoub, Associate professor, Institut Supérieur d’Électronique de Paris, Examinatrice
- Mauro Sozio, Professor, Télécom Paris, Directeur de thèse
Résumé
L’intelligence artificielle a montré des performances dominantes dans le domaine de l’exploration de données, avec des applications dans divers domaines, y compris des domaines critiques tels que la médecine, la finance, la justice, etc. En conséquence, l’explicabilité des modèles de boîte noire devient de plus en plus exigeante. Nous nous concentrons sur deux applications spécifiques: la détection d’anomalies et la prévision de séries chronologiques, et présentons XTREK et ADAPATCH pour chaque tâche, respectivement.
XTREK est une approche non supervisée basée...
… sur un arbre pour la détection d’anomalies explicables, qui maximise le tau de Kendall entre les scores d’anomalie du détecteur d’anomalies source et ceux de XTREK. L’arbre produit par notre algorithme est de taille relativement petite, ce qui lui confère la transparence et l’explicabilité reconnues des approches basées sur des arbres. De plus, ses explications sont basées sur des échantillons. En particulier, les scores d’anomalie sont calculés pour être l’inverse de la taille de la feuille correspondante, fournissant ainsi des explications significatives lors de la comparaison d’exemples avec différents scores d’anomalie. XTREK peut également être utilisé comme une approche intégrée au modèle, capable de fournir des explications concises pour ses propres décisions.
ADAPATCH est une approche basée sur une carte de saillance post-hoc pour la prévision de séries chronologiques explicables, qui fournit des explications visuelles locales à l’aide d’une descente de gradient basée sur les perturbations. Avec un module de codage différentiel dans le masque d’entrée, une explication sémantique plus intuitive et de niveau supérieur peut être fournie. Les deux méthodes sont indépendantes du modèle, ce qui signifie que l’architecture du modèle de boîte noire peut être cachée aux utilisateurs. Elles fournissent des explications précises et simples et leur précision est validée par des expériences approfondies.