Une relecture de la détection d'anomalies basée sur le codage creux dans un cadre RNN empilé

Motivés par les capacités de détection d’anomalies fondées sur le codage parcimonieux, nous proposons une méthode de codage parcimonieux cohérent dans le temps (TSC), dans laquelle nous imposons que des trames voisines similaires soient encodées avec des coefficients de reconstruction similaires. Ensuite, nous associons cette TSC à un type particulier de réseau de neurones récurrents empilés (sRNN). Grâce à la capacité du sRNN à apprendre tous les paramètres simultanément, il devient possible d’éviter la sélection délicate des hyperparamètres pour la TSC, tout en permettant, avec un sRNN peu profond, d’inférer les coefficients de reconstruction en une seule passe avant, ce qui réduit considérablement le coût computationnel lié à l’apprentissage des coefficients parcimonieux. Les contributions principales de cet article sont doubles : i) Nous proposons une TSC pouvant être modélisée par un sRNN, ce qui facilite l’optimisation des paramètres et accélère la prédiction des anomalies ; ii) Nous construisons un très grand jeu de données, dont la taille dépasse même la somme de tous les jeux de données existants pour la détection d’anomalies, tant en volume de données qu’en diversité de scènes. Des expériences étendues sur un jeu de données synthétique ainsi que sur des jeux de données réels démontrent que notre méthode basée sur la TSC et le sRNN surpasse de manière cohérente les approches existantes, validant ainsi l’efficacité de notre méthode.