Publications

Anomaly detection refers to the identification of rare events that differ significantly from the normal trend observed in the data distribution. When the number of variables to analyze is large, it can be difficult to understand the detected anomaly without explanation. In this work, we present the prototype of an explainable real-time anomaly monitoring and detection system, based on measurements from a multivariate data stream which can be assimilated to an infinite multivariate time serie. The built system is composed of a combination of anomaly detection methods combining deep learning and decision trees as well as an agnostic explainability method. In an unsupervised learning context, we also show how explainability provides insights to system validation in combination with feedback from domain experts.

Le projet dénommé DASMA (Data Stream Management and Analysis) a pour principaux objectifs la mise en oeuvre d'un dispositif adéquat pour les gestion des flux de données et l’élaboration d’algorithmes d’apprentissage automatique pour l’identification et la surveillance de la contamination aéroportée, liée aux procédés en salle blanche et dans les environnements FOUP (en s'appuyant sur la technologie PTR-MS qui est un analyseur de VOC).

Dans le cadre des avancées de ce projet (qui est une collaboration entre l’entreprise Pfeiffer Vacuum et le CNRS-LIMOS), un premier livrable incluant un module de gestion de données adapté aux flux de données générés par le PTR-MS ainsi qu’un module de détection d’anomalies sur les composés et sur les instruments internes du PTR-MS a été développé par le LIMOS.

Le présent document est un guide utilisateur contenant une description détaillée du fonctionnement et de l’utilisation du livrable fourni. Ce manuel a pour objectif de guider l’utilisateur pas à pas dans l’installation et le paramétrage des modules de gestion de données et de détection d’anomalie, le lancement du système et la visualisation des résultats.

In this work, we compared unsupervised data stream abnormal point detection methods on various datasets with emphasis on their performance and runtime, as well as the presence of concept drift, seasonality, trend and cycle as a characteristic of the dataset.)

Il existe plusieurs méthodes basées sur des hypothèses variées pour la détection d’ano- malies dans les flux de données. Le choix d’une méthode est lié à ses performances sur des types de données spécifiques. Les flux de données peuvent être caractérisés par la présence de saisonalité, tendance, cycle et Concept drift (changement des propriétés statistiques des don- nées). Dans ce travail, nous comparons suivant la latence (temps de traitement d’une instance) et performance un ensemble de méthodes de détection d’anomalies dans les flux de données avec des hypothèses diverses sur des jeux de données aussi bien univariés que multivariés (sur lesquels nous avons identifié les caractéristiques présentes)

Le projet dénommé DASMA (Data Stream Management and Analysis) a pour principaux objectifs la mise en oeuvre d'un dispositif adéquat pour les gestion des flux de données et l’élaboration d’algorithmes d’apprentissage automatique pour l’identification et la surveillance de la contamination aéroportée, liée aux procédés en salle blanche et dans les environnements FOUP (en s'appuyant sur la technologie PTR-MS qui est un analyseur de VOC).

Dans le cadre des avancées de ce projet (qui est une collaboration entre l’entreprise Pfeiffer Vacuum et le CNRS-LIMOS), un premier livrable incluant un module de gestion de données adapté aux flux de données générés par le PTR-MS ainsi qu’un module de détection d’anomalies sur les composés et sur les instruments internes du PTR-MS a été développé par le LIMOS.

Le présent document est un guide utilisateur contenant une description détaillée du fonctionnement et de l’utilisation du livrable fourni. Ce manuel a pour objectif de guider l’utilisateur pas à pas dans l’installation et le paramétrage des modules de gestion de données et de détection d’anomalie, le lancement du système et la visualisation des résultats.