1/ Spotlight Cruncher #8 — Défi de rupture structurelle ADIA Lab Rencontrez Abhishek Gupta (Data Scientist @ TraceLink), qui a terminé 8ème dans le défi de rupture structurelle de 100 000 $ sur Crunch. Voici l'intuition derrière son approche — pas besoin de mathématiques complexes. 👇

2/ Premièrement : qu'est-ce qu'une "rupture structurelle" ? C'est lorsque qu'une série temporelle change discrètement de comportement — comme un marché changeant de régime, un capteur dérivant, ou un signal de santé se modifiant. Même graphique, règles différentes en dessous.

3/ Si vous manquez la rupture : les prévisions deviennent fragiles les modèles deviennent instables les décisions se basent sur la réalité d'hier La détection de rupture se manifeste partout : finance, climat, santé, opérations industrielles.

4/ Le cadre du défi était simple : Vous recevez une série temporelle et un point de frontière marqué. Question : les données avant et après ce point semblent-elles provenir du même processus… ou non ?

5/ Le mouvement clé d'Abhishek : ne pas forcer un modèle à expliquer chaque type de série. Le jeu de données avait différentes "personnalités" (lisse, bruyante, éclatante, à queue lourde, autocorrélée). Il a donc regroupé les séries temporelles en clusters (types), puis utilisé un détecteur sur mesure pour chacun.

6/ Pour de nombreux clusters, le meilleur "modèle" était simplement un score fort unique : Pensez : "dans quelle mesure la série s'adapte-t-elle mieux en deux segments par rapport à un segment continu ?" C'est essentiellement une comparaison de style rapport de vraisemblance, claire et difficile à manipuler.

7/ Pour d'autres clusters, il a utilisé du ML léger (régression logistique / ensembles d'arbres / boosting par gradient) sur des caractéristiques qui capturent comment la série évolue : - variations de la moyenne/échelle - sauts et explosivité - comportement des queues - différences de distribution près de la frontière

8/ Entrez la calibration. Lorsque vous exécutez différents détecteurs pour différents clusters, leurs scores peuvent être sur des échelles différentes. Il a donc ajouté une couche de calibration pour les aligner globalement, améliorant ainsi la performance globale du classement (AUC).

9/ La méta-leçon est très Crunch : Une performance robuste provient souvent de comparaisons claires + de fonctionnalités diverses + de modèles stables, et non d'une architecture lourde. Aussi : il a fait cela sans réglage des hyperparamètres.