Comment l'IA physiquement informée transforme l'évaluation des risques en temps réel dans les systèmes de sécurité

Dans le monde exigeant des systèmes de détection et d'aide à la décision critiques pour la sécurité, évaluer les risques en temps réel avec précision est essentiel. Les pipelines modernes de télédétection intègrent des mesures radar, un suivi distribué et des signaux auxiliaires. Ils font face à des défis majeurs comme les erreurs d'enregistrement spatial, la fusion asynchrone, le bruit de fond et des fenêtres décisionnelles sensibles à la latence. Un nouveau cadre nommé TA-DE-ELM répond à ces complexités. Il combine la génération de données synthétiques guidée par des règles expertes avec un algorithme d'évolution différentielle adaptative à deux étapes optimisé pour les Machines à Apprentissage Extrême (ELM). Cette approche offre une méthode reproductible et transparente pour l'évaluation ordonnée des risques. Elle surpasse les méthodes traditionnelles basées sur des modèles ainsi que les modèles standard axés sur les données.

L'évaluation des risques traditionnelle repose souvent sur des modèles de connaissances expertes tels que le pondérage par entropie ou les systèmes à règles floues. Bien qu'interprétables, ces méthodes peinent avec les motifs non linéaires multi-sources. Elles sont aussi sensibles aux conceptions subjectives de pondération. À l'inverse, les approches purement pilotées par les données manquent de transparence. Elles échouent souvent lorsque les données étiquetées fiables se font rares. Le cadre TA-DE-ELM comble ce vide. Il utilise un benchmark synthétique contrôlé où les scores de risque proviennent de règles expertes explicites et auditées plutôt que de lois causales apprises. Cela garantit que la logique sous-jacente de la priorisation des risques reste claire et cohérente. Même avec peu de données d'entraînement, cette clarté est maintenue.

L'innovation principale réside dans le mécanisme d'optimisation. L'évolution différentielle standard peut converger prématurément lors de l'optimisation des paramètres d'entrée ELM. TA-DE résout ce problème en séparant le processus de recherche en deux phases. Une phase initiale d'exploration utilise une mutation classique DE/rand/1 pour couvrir de vastes espaces de recherche. Une phase de raffinement suit ensuite. Elle applique une mutation de style current-to-best et une recherche locale élite. De plus, un mécanisme de redémarrage déclenché par la stagnation réinitialise une partie de la population si les progrès s'essoufflent. Cela assure la diversité et empêche la convergence prématurée. Cette approche structurée permet au modèle d'apprendre efficacement des mappages non linéaires complexes entre des observations hétérogènes et six niveaux de risque ordonnés distincts.

Les résultats expérimentaux montrent que TA-DE-ELM surpasse significativement les variantes de base ELM. Cela inclut PSO-ELM, DE-ELM et GA-ELM, dans le cadre d'un budget computationnel fini unifié. Il a atteint une précision de 0,9404 et un score macro-F1 de 0,9396. Il a combler près de 29 % de l'écart par rapport au plafond théorique Oracle. De plus, il a surpassé les références de notation traditionnelles comme RF-GRA et Entropy-GRA en matière de discrimination et de cohérence de l'ordre des risques. Le cadre a également fait preuve de robustesse face à la dégradation des fonctionnalités. Il montre une décroissance de performance plus lente sous un bruit continu comparé à d'autres optimiseurs. En isolant les contributions des mécanismes de raffinement et de redémarrage grâce à des études d'ablation, la recherche confirme que ces améliorations spécifiques sont cruciales. Elles permettent d'obtenir des performances de classification supérieures sans augmenter la latence d'inférence. Ce travail fournit un outil vital pour le criblage précoce des modèles et la comparaison méthodologique. Il est particulièrement utile dans les environnements où les étiquettes du monde réel sont difficiles à obtenir. Cela pave la voie vers des systèmes d'aide à la décision automatisés plus résilients et transparents.