Apprentissage auto-supervisé pour la détection d'anomalies dans des séries temporelles
Auteur / Autrice : | Romain Bailly | |
Direction : | Jérôme Mars | |
Type : | Projet de thèse | |
Discipline(s) : | Sciences de la Terre et de lEnvironnement | |
Date : | Inscription en doctorat le | Soutenance le 15/12/2023 |
Etablissement(s) : | Université Grenoble Alpes | |
Ecole(s) doctorale(s) : | École doctorale Sciences de la Terre de lEnvironnement et des Planètes | |
Partenaire(s) de recherche : | Laboratoire : Grenoble Images Parole Signal Automatique | |
Jury : | Président / Présidente : Pascal Perrier | |
Examinateurs / Examinatrices : Jérôme Mars, Philippe Delachartre, Bertrand Luvison, Régine Le bouquin jeannes, Giffard roisin Sophie | ||
Rapporteurs / Rapporteuses : Philippe Delachartre, Bertrand Luvison |
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.