Benhalima, Ahmed Youcef2025-01-152025-01-152024-06-26https://dspace.univ-tlemcen.dz/handle/112/24117La détection des anomalies est cruciale dans des domaines tels que la finance, la santé et la cybersécurité, où l'identification de connexions structurelles inattendues améliore la sécurité et l'efficacité. Cette thèse présente Minomaly et le Cadre Géométrique basé sur les Modèles pour la Détection des Anomalies (PGF-AD), qui combinent des théories topologiques avec l'apprentissage profond pour améliorer la détection des anomalies dans les graphes statiques. Notre cadre de benchmarking complet évalue rigoureusement diverses méthodes, et les résultats montrent l'efficacité et le potentiel pour des améliorations futures des modèles de détection des anomalies.frDétection d’anomalies, Graphes, Apprentissage profond, Cadre théorique basé sur les motifs, PGF-AD, MinomalyThesis