Etude des méthodes de détection d'anomalies non supervisées appliquées aux flux de données - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

Etude des méthodes de détection d'anomalies non supervisées appliquées aux flux de données

Abstract

Outlier detection is a subject of interest in data mining. During the last decade, the amount of domains featuring data streams grew a lot. Those data streams come with peculiarities that outlier detection methods have to deal with. That is why various methods adapted to the online outlier detection problem have been developed. This article presents a survey on outlier detection unsupervised methods for data streams and discusses the lack of metrics allowing to evaluate and compare these methods.
La détection d'anomalies est un sujet d'intérêt en fouille de données. Ces dernières années, le nombre d'applications reposant sur des flux continus de données se multiplie. Ces flux de données sont accompagnés de spécificités dont les algorithmes de détection d'anomalies doivent tenir compte. Pour cette raison, de nombreuses méthodes adaptées à la détection en ligne ont vu le jour. Cet article présente un tour d'horizon des méthodes de détection non supervisées appliquées aux flux de données et discute de l'insuffisance de métriques permettant d'évaluer et comparer ces méthodes.
Fichier principal
Vignette du fichier
RJCIA22_paper16.pdf (169.93 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03765550 , version 1 (31-08-2022)

Identifiers

  • HAL Id : hal-03765550 , version 1

Cite

Kévin Ducharlet, Louise Travé-Massuyès, Marie-Véronique Le Lann, Youssef Miloudi. Etude des méthodes de détection d'anomalies non supervisées appliquées aux flux de données. 20èmes Rencontres des Jeunes Chercheurs en Intelligence Artificielle (RJCIA 2022), Jun 2022, Saint-Etienne, France. ⟨hal-03765550⟩
140 View
1590 Download

Share

Gmail Mastodon Facebook X LinkedIn More