From
Horaires
Lieu ENS Paris-Saclay
Alejandro De La Concha Duarte
Graph-based machine learning for detection tasks in complex systems
Résumé
Les innovations technologiques récentes ont augmenté notre capacité à surveiller de nombreux aspects de la vie quotidienne ou des phénomènes naturels en collectant et en analysant des données en temps réel provenant de sources multiples. Par exemple, les réseaux de transport surveillent l'affluence des passagers les retards à chaque station pour améliorer les trajets, tandis que les réseaux modernes de surveillance des risques géologiques déclenchent des alertes précoces pour des événements sismiques.
Cette thèse se concentre sur la détection des changements dans les distributions de données associées à un ensemble d'agents dans un système complexe. Dans de nombreuses applications, la structure sous-jacente, souvent représentée sous forme de graphe entre agents, encode des informations importantes sur la manière dont le système réagit face à un changement. En s'appuyant sur cette intuition, la thèse explore principalement deux questions de recherche : comment une tâche de détection sur graphe peut-elle exploiter efficacement l'information implicite donné par la topologie du graphe ? Et comment les méthodes classiques de détection peuvent-elles être adaptées à des environnements non paramétriques où les données disponibles sont indexées par les nœuds du graphe ou accessibles en ligne? L'outil principal utilisé dans cette thèse est l'estimation non paramétrique du rapport de vraisemblance, qui offre une perspective d'apprentissage statistique des techniques de détection classiques et étend leur domaine d'application.
La thèse apporte de nouvelles techniques qui permettent des algorithmes de détection plus flexibles en contextes en ligne et hors ligne.
Direction
Jury
- Nicolas VAYATIS, Professeur, Centre Borelli, ENS Paris-Saclay (directeur de thèse)
- Argyris KALOGERATOS, Chercheur, Centre Borelli, ENS Paris-Saclay (co-encadrant)
- Cédric RICHARD, Professeur (rapporteur), Université Côte d’Azur
- Taiji SUZUKI, Professeur (rapporteur), The University of Tokyo
- Gilles BLANCHARD, Professeur, Institut de Mathématiques d'Orsay, Université Paris-Saclay
- Céline LEVY-LEDUC, Professeure, UFR de mathématiques, Université Paris Cité
- Agnès DESOLNEUX, Directrice de recherche, Centre Borelli, ENS Paris-Saclay
Abstract
Recent technological advances have increased our capacity to monitor many aspects of daily life or natural phenomena by collecting and analyzing data in real-time coming from multiple data sources. For example, public transportation systems monitor passenger affluence and delays at the level of each station to improve commuting; modern geological hazard monitoring systems raise early alarms for events such as earthquakes.
This thesis focuses on the detection of changes in the data-generating distributions associated with a set of agents belonging to a complex system. In many applications, the underlying structure, frequently modeled as a graph between agents, holds essential information about how the system reacts to changes. Building on this intuition, the thesis mainly explores two research questions: how can a graph detection task effectively leverage the information encoded in the graph-topology? And how can classical detection methods be extended to non-parametric settings where the available data is indexed by graph nodes or accessed online? The main tool used through this thesis is non-parametric likelihood-ratio estimation, which allows a machine learning perspective of classical detection techniques and enriches its domain of applicability.
The thesis contributes with new techniques enabling more flexible detection algorithms in both offline and online settings.