Apprentissage et sélection de réseaux bayésiens dynamiques pour les processus online non-stationnaires

National audienceLes réseaux bayésiens dynamiques (DBNs) fournissent un formalisme graphique pro-babiliste décrivant, à travers des dépendances conditionnelles, des systèmes dynamiques com-plexes sous incertitude. Cependant, dans la plupart des cas, le processus de Markov génératifsous-jacent est supposé homogène, ce qui signifie que ni sa topologie ni ses paramètres évo-luent au cours du temps. Par conséquent, apprendre un DBN pour modéliser un processusnon stationnaire sous cette hypothèse équivaudra à de pauvres capacités de prédictions. Nousconstruisons donc un framework pour l’apprentissage en temps réel des différents modèles pro-babilistes sous-jacents, sans hypothèses sur leur nombre et leur évolution. Nous montrons laperformance de la méthode sur des données simulées. L’objectif du système est la modélisationet la prédiction d’incongruités pour un Système de Détection d’Intrusion (IDS) en temps réel,aussi un grand soin est attaché à la capacité d’identifier précisément les moments de transition