Hybridation de réseaux à capsules et LSTM pour la détection d'anomalies non supervisée sur des données multivariées

Les techniques d’apprentissage profond ont récemment fait preuve d’un grand potentiel dans le domaine de la détection d’anomalies, offrant une méthode souple et efficace pour modéliser les systèmes par rapport aux approches traditionnelles fondées sur la modélisation statistique ou le traitement du signal. Toutefois, les réseaux de neurones (NN) font face à plusieurs problèmes bien documentés, tels que leur capacité de généralisation, la nécessité de grandes quantités de données étiquetées pour une formation efficace, ainsi que la difficulté à capturer le contexte spatial dans les données. Ce papier présente une nouvelle architecture de réseau de neurones hybride, combinant les réseaux à mémoire à court et long terme (LSTM) et les réseaux de capsules (Capsule Networks) au sein d’un seul modèle, dans une architecture autoencodeur à entrées branchées, spécifiquement conçue pour les séries temporelles multivariées. La méthode proposée utilise une technique d’apprentissage non supervisé afin de surmonter les difficultés liées à l’obtention de grandes quantités de données étiquetées. Les résultats expérimentaux montrent qu’en l’absence d’optimisation des hyperparamètres, l’utilisation des capsules réduit significativement le surapprentissage et améliore l’efficacité de l’entraînement. Par ailleurs, les résultats démontrent également que les modèles à entrées branchées parviennent à apprendre les données multivariées de manière plus cohérente, avec ou sans capsules, comparativement aux modèles à entrées non branchées. L’architecture proposée a également été évaluée sur une base de données open source, où elle a atteint des performances de pointe dans la détection d’anomalies, et s’est révélée supérieure aux méthodes actuelles de l’état de l’art sur l’ensemble des métriques testées.