Thèse cifre détection adaptative d'anomalies dans les signaux hétérogènes issus d'essais en vol h/f

Safran Data Systems s'intéresse à la détection d'anomalies au sein de signaux issus d'essais en vol d'aéronefs. Ces essais génèrent un grand nombre de mesures provenant de capteurs hétérogènes, tels que des capteurs environnementaux, des réseaux électriques ou encore des bus de communication, chacun possédant ses propres spécificités. Dans ce contexte, la détection précoce d'anomalies est essentielle afin d'anticiper d'éventuels incidents qui pourraient impacter la sécurité du vol, mais aussi pour optimiser la campagne d'essais en évitant qu'un vol ne doive être répété faute de données exploitables induisant un impact calendaire et financier significatif.
La détection d'anomalies dans les séries temporelles constitue un champ de recherche actif. Une difficulté majeure réside dans la définition même d'une anomalie, concept sujet à débat au sein de la communauté scientifique. De manière générale, on peut la définir comme un point ou un ensemble de points dont le comportement diffère significativement de celui de la majorité des échantillons.
Les travaux de cette thèse doivent être menés dans une approche de frugalité, en veillant à limiter à la fois la taille des modèles et la complexité des calculs. Dans ce cadre, il est également essentiel d'explorer les techniques de réduction de modèles, telles que le pruning (élimination des neurones ou des connexions peu importants afin de réduire la taille du réseau et le coût de calcul ), la quantification (réduction de la précision des poids et des activations (par exemple INT8 ou FP8) pour diminuer la mémoire et accélérer l'inférence), distillation de connaissance (Knowledge Distillation) : transfert des connaissances d'un modèle large (teacher) vers un modèle plus compact (student), conservant ainsi des performances proches tout en réduisant la complexité. L'objectif est d'adapter ces méthodes aux contextes embarqués, où les ressources en calcul et en mémoire sont limitées, tout en maintenant une performance satisfaisante des modèles