Apprentissage auto-supervisé pour la détection d'anomalies dans des séries temporelles

Self supervised learning for anomaly detection in time series

• Auteur / Autrice : Romain Bailly
• Direction : Jérôme Mars
• Type : Projet de thèse
• Discipline(s) : Sciences de la Terre et de l’Environnement
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Sciences de la Terre de l’Environnement et des Planètes
• Partenaire(s) de recherche : Laboratoire : Grenoble Images Parole Signal Automatique
• Jury : Président / Présidente : Pascal Perrier
• Jury : Examinateurs / Examinatrices : Jérôme Mars, Philippe Delachartre, Bertrand Luvison, Régine Le bouquin jeannes, Giffard roisin Sophie
• Jury : Rapporteurs / Rapporteuses : Philippe Delachartre, Bertrand Luvison

Mots clés

Mots clés libres

Apprentissage auto-supervisé

Détection d'anomalie

Séries temporelles

Capteurs intelligents

Apprentissage profond

Apprentissage de représentations

Self-supervised learning

Anomaly detection

Time series

Smart sensors

Deep learning

Representation learning

Résumé

Les capteurs intelligents sont devenus omniprésents dans notre société connectée, générant des quantités massives de données temporelles. La détection d'anomalies dans ces séries temporelles est essentielle pour garantir la fiabilité, la sécurité et les performances optimales des systèmes associés. Cependant, les méthodes traditionnelles de détection d'anomalies reposent souvent sur des techniques de supervision qui nécessitent des étiquettes d'anomalies préalablement annotées, ce qui peut être coûteux et difficile à obtenir dans des scénarios réels. Dans cette thèse, nous explorons l'utilisation de l'apprentissage auto-supervisé pour la détection d'anomalies dans les séries temporelles, en particulier dans le contexte des capteurs intelligents. L'apprentissage auto-supervisé permet d'exploiter les structures inhérentes aux données non étiquetées, en se basant sur des caractéristiques internes des données elles-mêmes. Nous proposons une méthodologie complète, nommée StArDuTS pour la détection automatique d'anomalies dans les séries temporelles grâce à des réseaux de neurones. Nous évaluons notre approche sur plusieurs jeux de données réels. Les cas applicatifs traités dans cette thèse couvrent deux domaines distincts, mais complémentaires. Tout d'abord, dans le contexte de la microscopie sans lentille, nous nous concentrons sur la détection de cellules anormales à partir de leur masse sèche. De plus, le second cadre applicatif concerne la détection d'événements sismiques sur Mars, où des capteurs sont déployés pour surveiller l'activité sismique. Ces deux cas applicatifs démontrent la polyvalence de l'apprentissage auto-supervisé pour la détection d'anomalies dans les séries temporelles.

Smart sensors have become ubiquitous in our connected society, generating massive amounts of time series data. Detecting anomalies in these time series is essential to ensure the reliability, safety and optimum performance of the associated systems. However, traditional anomaly detection methods often rely on supervisory techniques that require previously annotated anomaly labels, which can be costly and difficult to obtain in real-life scenarios. In this thesis, we explore the use of self-supervised learning for anomaly detection in time series, particularly in the context of smart sensors. Self-supervised learning makes it possible to exploit the structures inherent in unlabeled data, based on internal features of the data itself. We propose a comprehensive methodology, named StArDuTS for the automatic detection of anomalies in time series using neural networks. We evaluate our approach on several real datasets. The application cases addressed in this thesis cover two distinct but complementary domains. Firstly, in the context of lens-free microscopy, we focus on the detection of abnormal cells based on their dry mass. In addition, the second application framework concerns the detection of seismic events on Mars, where sensors are deployed to monitor seismic activity. These two application cases demonstrate the versatility of self-supervised learning for the detection of anomalies in time series.