Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Distance au centroïde
Métrique utilisée pour évaluer l'éloignement d'un point par rapport au centre de son cluster assigné, où une distance élevée indique une probabilité d'anomalie.
K-Means Anomaly Score
Score calculé comme la distance minimale d'un point à tous les centroïdes de clusters K-Means, où les points avec les scores les plus élevés sont considérés comme des anomalies.
Cluster-Based Local Outlier Factor (CBLOF)
Méthode qui évalue l'écart d'un point par rapport à son cluster d'appartenance et la taille de ce cluster, considérant comme anomalies les points éloignés de grands clusters ou appartenant à de petits clusters.
Silhouette Outlier Detection
Technique utilisant le coefficient de silhouette pour identifier les anomalies, où les points avec des coefficients très négatifs sont probablement mal assignés et donc anormaux.
Gaussian Mixture Model (GMM) Anomaly Detection
Approche probabiliste modélisant les données comme un mélange de distributions gaussiennes, où les points ayant une faible probabilité sous le modèle sont identifiés comme anomalies.
BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)
Algorithme de clustering hiérarchique efficace pour les grands ensembles de données, capable d'identifier des anomalies comme des points ne s'intégrant pas dans les micro-clusters du CF Tree.
Clustering Spectral pour la Détection d'Anomalies
Méthode utilisant les valeurs propres de la matrice de similarité pour effectuer un clustering en espace de dimension réduite, où les anomalies apparaissent comme des points isolés dans le spectre.
Affinity Propagation Outlier Detection
Technode de clustering basé sur le passage de messages entre points, où les anomalies sont identifiées comme des points ne devenant jamais des exemplaires ou ayant une faible affinité avec les clusters formés.
Clustering Subspace pour Anomalies
Approche effectuant du clustering dans différents sous-espaces de dimensions pour capturer des anomalies qui ne sont détectables que dans des projections spécifiques des données.
Clustering Hiérarchique Agglomératif pour Anomalies
Méthode construisant une hiérarchie de clusters où les anomalies sont identifiées comme des points fusionnés tardivement dans le dendrogramme ou formant des singletons isolés.
Clustering Flou (Fuzzy C-Means) pour Anomalies
Variante du K-Means où chaque point a un degré d'appartenance à chaque cluster, les anomalies étant caractérisées par des degrés d'appartenance faibles et uniformément distribués.
Clustering Incrémental pour Détection d'Anomalies en Flux
Adaptation des algorithmes de clustering pour les données en flux continu, où les anomalies sont des points qui ne s'intègrent pas aux modèles de clusters mis à jour dynamiquement.
Clustering Robuste aux Anomalies
Famille d'algorithmes de clustering conçus pour ne pas être influencés par les points aberrants, permettant une meilleure séparation entre les clusters normaux et les anomalies.
Clustering Basé sur la Gravité (Gravity-Based Clustering)
Méthode de clustering inspirée de la physique où les anomalies sont des points qui ne sont pas suffisamment attirés par les