L'évaluation des méthodes de détection d'anomalies dans les séries temporelles multivariées reste un défi en raison du manque de jeux de données de référence détaillés. Fun-TSG est un générateur de séries temporelles personnalisable conçu pour améliorer cette évaluation, permettant une génération automatique ou manuelle avec une transparence totale.
Cet article propose une méthode de détection d'anomalies appelée Chimera Training, axée sur les violations de contraintes sémantiques données sous forme de règles logiques sur des concepts visuels appris. Il utilise un évaluateur de règles neuronal qui compile les contraintes en graphes acycliques dirigés, apprenant des opérateurs logiques pour calculer les probabilités de satisfaction des règles, même avec des données d'entraînement rares pour les violations réelles.
Ce contenu traite de l'application de méthodes d'apprentissage non supervisé pour la détection d'anomalies dans le réseau Bitcoin. Il vise à identifier les modèles inhabituels ou les transactions frauduleuses en utilisant des techniques d'IA sans données étiquetées préalablement.
Le texte aborde la nécessité d'une IA explicable et causale pour les opérations spatiales, illustrant avec un incident de satellite où une correction automatisée a violé les réglementations de souveraineté des données. Il souligne l'échec des approches traditionnelles de l'IA à gérer la complexité des contraintes techniques, des priorités opérationnelles et des frontières juridictionnelles.
L'auteur a développé Torrix, une plateforme d'observabilité LLM auto-hébergée qui enregistre les appels, calcule les coûts et signale automatiquement les anomalies, afin de résoudre des problèmes comme les factures inattendues et les modèles retournant des données incorrectes. Une démo en direct avec 30 jours de traces LLM simulées sur trois projets a été créée pour faciliter l'expérimentation.
Ce contenu explore la détection des comportements clients anormaux dans les environnements d'apprentissage fédéré. Il vise à identifier et à atténuer les actions inhabituelles qui pourraient compromettre l'intégrité du modèle global.
ModSense est un système d'intelligence de modération assisté par l'IA, un prototype de niveau production pour les grandes communautés comme Reddit. Il combine la détection d'anomalies en temps réel et la modélisation de la santé communautaire basée sur des graphes avec une couche d'IA (Gemini 3 Flash) pour identifier et réagir aux problèmes comme la toxicité et la désinformation.
PhaseNet++ introduit un nouvel autoencodeur en domaine fréquentiel pour la détection d'anomalies dans les systèmes de contrôle industriels (ICS), s'attaquant au spectre de phase souvent négligé dans l'analyse des séries temporelles multivariées. Il utilise un indice de cohérence de phase pour guider un réseau d'attention graphique, améliorant la détection des attaques cyber-physiques.
Cet article introduit une co-simulation haute fidélité et informée par la physique d'un système de pompe à carburant principal d'avion pour générer des données de détection et de diagnostic d'anomalies. Il vise à pallier le manque de données dans les systèmes cyber-physiques critiques, démontrant sa faisabilité avec des modèles d'IA non supervisés tels que RNN-VAE et SOM-VAE.
Cette recherche présente un système de détection de schémas de performance suspects en athlétisme, utilisant 1,6 million de performances et huit méthodes, dont l'apprentissage automatique et l'analyse de trajectoire. Il vise à compléter les programmes antidopage traditionnels en identifiant les violations potentielles par l'analyse de données, les méthodes basées sur la trajectoire étant les plus efficaces.
Cet article propose une nouvelle méthode non-paramétrique pour la détection conditionnelle d'anomalies basée sur les fonctions harmoniques douces. Elle vise à identifier les réponses inhabituelles dans les données cliniques, telles que les tests de laboratoire omis, démontrant son efficacité sur des dossiers de santé électroniques réels.
SMT-AD é uma nova abordagem inspirada em computação quântica para detecção de anomalias, utilizando redes de tensores e embedding de características assistido por Fourier. O método se mostrou eficaz em datasets padrão, como transações de cartão de crédito, alcançando performance competitiva mesmo com configurações mínimas.
L'Industrie 4.0 nécessite une détection robuste des anomalies dans les Systèmes Cyber-Physiques (CPS), mais les modèles agnostiques au produit présentent des angles morts pour les anomalies subtiles ou les attaques ciblées. Ce travail démontre cette vulnérabilité et propose un Autoencodeur Conscient du Produit comme atténuation en restreignant le domaine d'apprentissage.
Une pipeline d'ensemble hiérarchique est proposée pour la détection d'anomalies dans les données de télémétrie multivariées de l'Agence spatiale européenne (ESA). Cette méthode, intégrant diverses techniques d'extraction de caractéristiques et de modélisation, fait preuve d'une forte généralisation et d'une efficacité dans la détection d'anomalies subtiles dans la télémétrie satellitaire.
Cet article présente Logic-GNN, un cadre neuro-symbolique qui utilise les Réseaux Neuronaux Graphiques Temporels et la Complexité de Kolmogorov pour détecter les erreurs de saisie de données dans les dossiers cliniques. Il identifie les anomalies comme des "violations grammaticales" dans une grammaire logique latente des interactions médicales, atteignant un score F1 de 0,94.
Cet article propose MODIAD, un nouveau cadre pour la détection d'anomalies industrielles multimodales, en ligne et distribuées, résolvant les limitations des méthodes existantes dans les environnements industriels réels. Il vise à tirer parti de l'intelligence périphérique pour la formation distribuée de modèles dans les systèmes industriels.
Cet article introduit un nouveau cadre pour détecter les anomalies dans les ensembles de données du Système d'Identification Automatique (AIS) maritime, en se concentrant sur les comportements anormaux des navires. Il propose une nouvelle métrique de qualité, MADQI, pour évaluer la performance des modèles d'apprentissage non supervisé dans la détection de ces anomalies sans nécessiter de données étiquetées.
L'évaluation de la détection d'anomalies par division de classes intra-ensemble de données peut être mal posée lorsque la classe d'anomalie chevauche le mélange normal, entraînant une instabilité ou une inversion des scores. Un nouveau diagnostic, la fuite de classe de voisinage, est introduit pour prédire cette instabilité à travers divers ensembles de données et modèles.
L'intelligence artificielle révolutionne la cybersécurité, agissant comme l'arme ultime et le bouclier le plus solide du monde numérique. Les systèmes basés sur l'IA surveillent de vastes réseaux et détectent des anomalies qui dépassent la capacité humaine, fonctionnant sans relâche.