Détection d'anomalies : méthodes basées sur l'analyse des valeurs extrêmes

La détection d'anomalies est le processus permettant d'identifier une observation considérée comme anormale. Cela permet notamment d'effectuer de la détection de fraude ou encore de diagnostiquer une maladie chez un patient. Pour ce faire, il existe une multitude de techniques tirées de modèles statistiques et de machine learning. Dans ce mémoire, nous allons nous intéresser aux méthodes liées à l'analyse des valeurs extrêmes, c'est-à-dire l'Extreme Value Machine, le Generalized Pareto Distribution Classifier et enfin le Generalized Extreme Value Classifier. Nous montrerons sur diverses bases de données que ces méthodes sont plus efficaces que celles du One-class Support Vector Machine et de l'Isolation Forest. Novelty detection is the process of identifying an observation considered as abnormal. This allows to make fraud detection or diagnose a patient's disease. To do so, there exists a variety of techniques from statistical models to machine learning. In this thesis, we will investigate the methods related to the extreme value theory. That is the Extreme Value Machine, the Generalized Pareto Distribution Classifier and finally the Generalized Extreme Value Classifier. We will show on various databases that these methods are more efficient than One-class Support Vector Machine and Isolation Forest.