Apprentissage d'ensemble d'opérateurs de projection orthogonale pour la détection de nouveauté

Résumé. Dans ce papier, nous proposons une approche de détection de nouveauté fondée sur les opérateurs de projection orthogonale et l’idée de double bootstrap (bibootstrap). Notre approche appelée Random Subspace Novelty Detection Filter (RS-NDF), combine une technique de rééchantillonnage et l’idée d’apprentissage d’ensemble. RS-NDF est un ensemble de filtres NDF (Novelty Detection Filter), induits à partir d’échantillons bootstrap des données d’apprentissage, en utilisant une sélection aléatoire des variables pour l’apprentissage des filtres. RS-NDF utilise donc un double bootstrap, c’est à dire un rééchantillonnage avec remise sur les observations et un rééchantillonnage sans remise sur les variables. La prédiction est faite par l’agrégation des prédictions de l’ensemble des filtres. RS-NDF présente généralement une importante amélioration des performances par rapport au modèle de base NDF unique. Grâce à son algorithme d’apprentissage en ligne, l’approche RS-NDF est également en mesure de suivre les changements dans les données au fil du temps. Plusieurs métriques de performance montrent que l’approche proposée est plus efficace, robuste et offre de meilleures performances pour la détection de nouveauté comparée aux autres techniques existantes.