Détection et explication auto-supervisées des anomalies dans les séries temporelles.

Self-supervised detection and explanation of anomalies in time series

• Auteur / Autrice : Marc Pinet
• Direction : Dominique Vaufreydaz
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble

Mots clés

Mots clés libres

Détection d'anomalies

Séries temporelles

Auto-supervisé

Explication

Apprentissage automatique

Apprentissage profond

Self-supervised

Anomaly detection

Time series

Explanation

Machine learning

Deep learning

Résumé

Cette thèse porte sur la détection et la caractérisation d'anomalies dans des séries temporelles issues de dispositifs connectés, dans le contexte des réseaux opérés par Orange. Les approches actuelles de détection d'anomalies produisent un résultat binaire (anomalie ou non) sans fournir d'information sur la nature ou l'origine de l'anomalie détectée, ce qui limite leur exploitation opérationnelle et nécessite toujours l'intervention d'un expert humain. L'objectif scientifique de cette thèse est de proposer des méthodes d'apprentissage profond auto-supervisé capables non seulement de détecter des anomalies dans des séries temporelles, mais aussi de caractériser les écarts entre la séquence observée et le comportement normal attendu. Cette caractérisation doit ensuite permettre, via des approches fondées sur les grands modèles de langage (LLM) couplés à de la génération augmentée par récupération (RAG), de relier les anomalies détectées à des bases de connaissances métier afin d'en identifier l'origine et de proposer des procédures correctives, le tout sans intervention humaine. Les principaux défis scientifiques abordés sont : l'hétérogénéité des données et des types d'anomalies, l'incertitude quant à la présence d'anomalies dans les données d'entraînement, la corrélation entre la caractérisation des anomalies et les connaissances métier, ainsi que la gestion d'anomalies potentiellement inconnues. Les évaluations expérimentales seront menées sur des jeux de données publics et sur des données internes Orange.

This thesis addresses the detection and characterization of anomalies in time series data originating from connected devices, within the context of networks operated by Orange. Current anomaly detection approaches produce a binary outcome (anomaly or not) without providing any information about the nature or origin of the detected anomaly, which limits their operational use and still requires human expert intervention. The scientific objective of this thesis is to propose self-supervised deep learning methods capable not only of detecting anomalies in time series, but also of characterizing the discrepancies between the observed sequence and the expected normal behavior. This characterization should then enable, through approaches based on large language models (LLMs) combined with retrieval-augmented generation (RAG), linking detected anomalies to business knowledge bases in order to identify their origin and suggest corrective procedures, all without human intervention. The main scientific challenges addressed are: the heterogeneity of data and anomaly types, the uncertain presence of anomalies in training data, the correlation between anomaly characterization and business knowledge, and the handling of potentially unknown anomalies. Experimental evaluations will be conducted on public benchmark datasets and on internal Orange data.