Qu'est-ce que l'apprentissage actif en détection d'anomalies ?

L'apprentissage actif en détection d'anomalies est une méthode où le modèle demande activement à l'expert (humain) d'annoter les exemples les plus informatifs ou douteux pour améliorer la qualité de la détection d'anomalies.

Étant donné que les anomalies sont souvent rares et diverses, il est difficile d'obtenir des données entièrement annotées. L'apprentissage actif aide à utiliser efficacement la ressource limitée d'annotation en sélectionnant les données qui maximiseront la précision du modèle.

Exemple : un modèle de détection de fraude identifie des transactions avec un haut degré d'incertitude et demande à l'analyste de confirmer si elles sont des anomalies. Les étiquettes obtenues sont utilisées pour réentraîner le modèle, améliorant sa capacité à détecter de nouvelles anomalies.