Abnormal behavior detection using tensor factorization

Résumé

Les Systèmes de Localisation en Temps Réel (SLTR) utilisant la technologie RFID sont utilisés, de manière répandue, comme méthode de surveillance pour la sécurité. Cependant, dans un environnement ouvert et dynamique, où des patrons se répètent rarement, il est difficile de mettre en oeuvre un modèle qui pourrait analyser toutes les informations générées en temps réel et de détecter des événements anormaux. Dans cette thèse, nous présentons une nouvelle approche pour analyser l’information spatio-temporelle générée par les systèmes RTL. Dans cette approche, les événements discrets qui capturent l’emplacement d’une personne donnée (ou objet), à un moment précis d’un certain jour sont générés et stockés à des intervalles fixes. En utilisant une technique d’analyse sémantique latente (LSA), basée sur la factorisation de tenseur, nous extrayons et mettons à profit des informations latentes contenues dans les flots de données RFID multidimensionnels récupérés en temps réel et représentés comme ces événements discrets. L’une des principales contributions issue de ce travail est un modèle paramétrique de factorisation log-linéaire de tenseurs (LLTF) qui apprend la probabilité à plusieurs variables d’éléments contextuels, dans laquelle les paramètres sont les facteurs du tenseur lié à un événement. En utilisant une méthode efficace, basée sur l’augmentation accélérée du gradient de Nesterov, nous obtenons une modélisation, qui est un ensemble de facteurs latents représentant une version résumée des données multidimensionnelles. Cette modélisation correspond à des descriptions de haut niveau pour chaque dimension. Nous avons évalué cette approche, basée sur LLTF, à travers une série d’expériences sur des ensembles de données synthétiques et réelles. Lors de l’analyse comparative, les résultats montrent que l’approche que nous avons proposée a surpassé certaines méthodes de l’état de l’art pour l’analyse des facteurs via la factorisation de tenseurs et la détection de comportements anormaux.

Date	31 mai 2016
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Christian Desrosiers (Directeur(-trice)) & Robert Sabourin (Codirecteur(-trice))