Machine Learning : prise de décision précoce en environnement non-stationnaire

Machine Learning: early decision-making in non stationary environment

• Auteur / Autrice : Aurélien Renault
• Direction : Antoine Cornuejols
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 09/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : MIA-Paris-Saclay - Mathématiques et Informatique Appliquées
• Partenaire(s) de recherche : Equipe de recherche : EKINOCS
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage Automatique

Séries Temporelles

Décisions précoces

Machine Learning

Time Series

Early Decision Making

Résumé

Dans de nombreux cas d'usage en Machine Learning, des décisions doivent être prises précocement, c'est-à-dire, en l'absence d'une connaissance complète du problème à résoudre. Par exemple, il est parfois nécessaire de déclencher une intervention technique dès les prémices d'une panne réseau, avant même que les perturbations ne soient importantes. Dans de telles situations, plus la décision est retardée, plus le dénouement probable est clair (ex : l'état critique - ou non - d'un équipement réseau) et également plus le coût de retarder la décision est élevé : des décisions prises plus tôt permettent généralement de mieux se préparer et de réaliser les bonnes actions correctives. L'objectif est donc de prendre des décisions à des moments qui semblent être de bons compromis entre la précocité et la qualité de la décision. Ce dilemme a été particulièrement étudié dans le domaine de la « classification précoce des séries temporelles » [1]. Plus récemment, ce problème a été généralisé à un large éventail de contextes où les données sont collectées au cours du temps, donnant lieu à un nouveau champ de recherche nommé le « Machine Learning based Early Decision Making » (ML-EDM) [2]. Les approches de l'état de l'art souffrent de limitations importantes qui limitent leur utilisation en pratique. Cette thèse a pour ambition de lever certaines limitations, comme par exemple, (ii) la difficulté de ces approches à prédire des événements localisés dans le temps (ex : il y aura une panne réseau de 14h à 14h30) (ii) la difficulté de ces approches à apprendre les modèles en ligne à partir d'un flux de données non-stationnaire, i.e. présentant des dérives de concept.

In many Machine Learning applications, decisions have to be taken early, in the absence of complete knowledge of the problem to be solved. For example, it is sometimes necessary to initiate a technical intervention in the early stages of a network failure, even before the disruption is significant. In such situations, the longer the decision is delayed, the clearer the likely outcome (e.g. the critical state - or not - of a network device) and also the higher the cost of delaying the decision: decisions taken earlier generally enable better preparation and corrective action. The aim is therefore to make decisions at times that appear to be a good compromise between the earliness and quality of the decision. This dilemma has been particularly studied in the field of 'early classification of time series' [1]. More recently, this problem has been generalized to a wide range of contexts where data is collected over time, giving rise to a new field of research called 'Machine Learning based Early Decision Making' (ML-EDM) [2]. State-of-the-art approaches suffer from significant limitations that restrict their use in practice. This thesis aims to overcome some of these limitations, such as (ii) the difficulty of these approaches to predict localized events in time (e.g. there will be a network failure from 2:00 pm to 2:30 pm) (ii) the difficulty of these approaches to learn online models from a non-stationary data stream, i.e. presenting concept drifts.