📊 statistics

Local depth-based classification of directional data

Cet article propose une méthode de classification de données directionnelles basée sur une notion locale de profondeur appliquée aux diagrammes DD, dont l'efficacité est validée par une étude de simulation et des exemples réels.

Auteurs originaux : Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Publié 2026-02-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌍 Le Problème : Se repérer sur une sphère

Imaginez que vous essayez de classer des objets, mais au lieu d'être sur une feuille de papier plate (comme des points sur un graphique), ces objets sont tous collés à la surface d'une grosse sphère (comme des points sur un ballon de football ou sur le globe terrestre).

C'est ce qu'on appelle des données directionnelles. On les trouve partout :

La direction du vent en météorologie.
L'orientation des aimants dans les roches en géologie.
La façon dont nous percevons l'espace en psychologie.

Le problème, c'est que sur une sphère, il n'y a pas de "haut" ni de "bas" naturel, et les règles habituelles de la géométrie ne fonctionnent pas bien. Comment savoir si un point est "au centre" d'un groupe ou s'il est "à la périphérie" ?

🔍 L'ancienne méthode : La vue d'hélicoptère (Profondeur Globale)

Jusqu'à présent, les statisticiens utilisaient une méthode qu'on pourrait appeler la "vue d'hélicoptère".
Imaginez que vous volez très haut au-dessus d'une forêt. Vous voyez l'ensemble des arbres. Vous pouvez dire : "Le centre de cette forêt est ici". C'est ce qu'on appelle la profondeur globale.

Le hic : Cette méthode fonctionne très bien si la forêt est un seul gros tas d'arbres bien regroupés. Mais si la forêt est en réalité composée de trois petits bosquets séparés (des "modes" différents), la vue d'hélicoptère va dire : "Le centre est au milieu des trois bosquets", alors qu'en réalité, il n'y a pas d'arbre à cet endroit ! Elle lisse trop les détails et rate la structure complexe.

🧐 La nouvelle méthode : La vue de l'explorateur (Profondeur Locale)

Les auteurs de ce papier, Giuseppe et ses collègues, proposent une nouvelle approche : la Profondeur Cosine Locale (LCDD).

Au lieu de regarder toute la sphère d'un coup, imaginez que vous êtes un explorateur qui marche sur la surface de la sphère.

Vous vous placez à un point précis.
Vous ne regardez que les voisins immédiats autour de vous (disons, les 10 ou 20 points les plus proches).
Vous vous demandez : "Est-ce que je suis au centre de ce petit groupe de voisins ?"

C'est comme si vous utilisiez une loupe.

Si vous êtes au milieu d'un petit bosquet, la loupe vous dira : "Oui, tu es au centre !"
Si vous êtes entre deux bosquets, la loupe vous dira : "Non, tu es loin de tout le monde ici."

Cette méthode permet de détecter des structures complexes, comme plusieurs groupes d'arbres séparés, que la vue d'hélicoptère ignorait.

🎯 L'outil de tri : Le "DD-Plot" (Le jeu des deux profondeurs)

Pour trier ces données (par exemple, distinguer les emails "Spam" des emails "Normaux"), ils utilisent un outil appelé le DD-Plot (Profondeur vs Profondeur).

Imaginez un jeu de deux balances :

Sur la balance de gauche, vous pesez un objet par rapport au groupe "Spam".
Sur la balance de droite, vous pesez le même objet par rapport au groupe "Normal".
Avec l'ancienne méthode (Globale) : Si les groupes "Spam" et "Normal" sont mélangés de façon bizarre, les balances se trompent et vous ne savez pas où ranger l'objet.
Avec la nouvelle méthode (Locale) : Grâce à la loupe, les balances voient les petits détails. Elles disent : "Ah, cet objet ressemble beaucoup aux voisins du groupe Spam, même s'il est loin du centre global du groupe Spam."

Le résultat ? Une frontière de séparation beaucoup plus précise, capable de dessiner des formes complexes pour séparer les groupes, au lieu d'une simple ligne droite.

🧪 Les Résultats : Est-ce que ça marche ?

Les chercheurs ont fait deux types de tests :

Des simulations (des jeux de données inventés) :
- Quand les données sont simples et bien rangées, les deux méthodes (globale et locale) fonctionnent aussi bien.
- Mais dès que les données deviennent complexes (plusieurs groupes mélangés, formes bizarres), la méthode locale (la loupe) bat largement la méthode globale. Elle fait beaucoup moins d'erreurs de classement.
Des données réelles :
- Exemple 1 : Clients d'un grossiste. Ils ont classé des clients selon leurs habitudes d'achat (Horeca vs Retail). La méthode locale a réduit les erreurs de classification de 4,5 %.
- Exemple 2 : Détection de Spam. Sur un jeu de données d'e-mails très complexe, la méthode locale a été encore plus efficace, réduisant les erreurs de 8 %.

💡 En résumé

Ce papier propose de passer d'une vision globale et floue à une vision locale et précise pour classer des données qui ressemblent à des directions (comme des flèches ou des points sur une sphère).

C'est comme passer de la vue d'un drone qui voit tout de loin, à celle d'un promeneur qui observe attentivement son entourage immédiat. Pour les problèmes complexes où les groupes ne sont pas bien séparés, la loupe (la méthode locale) est bien meilleure que le drone.

1. Problématique

L'analyse de données directionnelles (vecteurs unitaires ou observations sur une hypersphère $S^{q-1}$ ) est cruciale dans de nombreux domaines (géologie, météorologie, traitement du langage naturel). Cependant, ces données posent des défis statistiques spécifiques : absence de direction de référence naturelle, manque d'ordre total et complexité des structures de données (multimodalité, non-convexité).

Les méthodes de classification supervisée existantes, basées sur les fonctions de profondeur statistiques globales (comme la profondeur angulaire de Tukey ou la profondeur de distance cosinus globale - CDD), présentent une limitation majeure : elles évaluent la centralité d'un point par rapport à l'ensemble de la distribution. Cette approche fonctionne bien pour des distributions unimodales et convexes, mais échoue à capturer la structure locale dans des distributions multimodales ou complexes, où plusieurs centres locaux peuvent coexister. Dans de tels cas, une mesure globale peut mal représenter la proximité d'un point à un groupe spécifique, conduisant à des erreurs de classification.

2. Méthodologie

L'article propose une approche novatrice combinant une nouvelle mesure de profondeur locale et un classifieur basé sur les diagrammes DD (Depth vs. Depth).

A. La Profondeur de Distance Cosinus Locale (LCDD)

Les auteurs introduisent la Local Cosine Distance Depth (LCDD), une extension locale de la CDD proposée par Pandolfo et al. (2018).

Principe : Au lieu de calculer la profondeur par rapport à l'échantillon entier, la LCDD évalue la centralité d'un point $x_i$ par rapport à un voisinage local défini autour de ce point.
Construction du voisinage :
1. Pour un point $x_i$ , on construit un ensemble de points réfléchis $R_i$ par rapport à $x_i$ sur l'hypersphère.
2. On définit un voisinage $\beta$ -profond ( $DN_i^{(\beta)}$ ) qui correspond aux $\beta(n-1)$ points les plus proches de $x_i$ en termes de distance cosinus (théoriquement équivalent à l'ordre des profondeurs dans la région réfléchie).
3. La LCDD est alors définie comme la profondeur de distance cosinus globale calculée uniquement sur cet échantillon augmenté et restreint au voisinage.
Propriétés :
- Invariance par rotation : La mesure est invariante sous les transformations orthogonales.
- Comportement asymptotique : Lorsque le paramètre de localité $\beta \to 1$ , la LCDD converge vers la profondeur globale (CDD). Lorsque $\beta \to 0$ , elle tend vers la valeur maximale (2), reflétant la proximité immédiate.
- Adaptabilité : Contrairement aux profondeurs globales, la LCDD peut présenter plusieurs maxima locaux, ce qui permet de capturer la structure multimodale.

B. Le Classifieur DD (Depth vs. Depth)

La méthode est appliquée dans le cadre du classifieur DD, introduit par Liu et al. (1999) et Li et al. (2012).

Procédure : Pour deux classes d'entraînement, chaque point est projeté dans un espace 2D où les coordonnées sont les profondeurs locales calculées par rapport à la distribution de la classe 1 et de la classe 2 : $(LCDD(x, \hat{F}_1), LCDD(x, \hat{F}_2))$ .
Séparation : Une courbe de séparation (généralement un polynôme) est ajustée dans cet espace DD pour minimiser le taux d'erreur de classification empirique.
Sélection du paramètre $\beta$ : Le niveau de localité $\beta$ est un hyperparamètre critique. Il est sélectionné de manière data-driven via une validation croisée pour minimiser l'erreur de classification.

3. Contributions Clés

Définition théorique de la LCDD : Formalisation rigoureuse d'une profondeur locale pour les données directionnelles, avec preuves de consistance uniforme et propriétés de convergence vers la profondeur globale.
Intégration dans le cadre DD : Adaptation de la LCDD au classifieur DD, permettant de traiter des structures de classes non convexes et multimodales que les méthodes globales ne peuvent pas distinguer correctement.
Preuve de cohérence bayésienne : Démonstration théorique que le classifieur proposé converge vers le classifieur de Bayes optimal sous des conditions de régularité appropriées, en sélectionnant automatiquement le niveau de localité optimal.
Validation empirique exhaustive : Étude de simulation complète et application sur des données réelles comparant systématiquement l'approche locale (LCDD-DD) à l'approche globale (CDD-DD).

4. Résultats

Études de Simulation

Les auteurs ont testé la méthode sur deux scénarios générés à partir de distributions de Von Mises-Fisher (vMF) et de Watson, avec des niveaux de bruit et des dimensions variables ( $d \in \{3, 10, 25\}$ ).

Cas unimodaux/convexes : Les performances de la LCDD et de la CDD sont similaires.
Cas multimodaux/non-convexes : La LCDD surpasse significativement la CDD, réduisant les taux d'erreur de classification, particulièrement dans des configurations à faible bruit et dimensions modérées.
Impact du bruit et de la dimension : Dans des cas de bruit élevé et de très haute dimension ( $d=25$ ), la différence entre les deux méthodes s'estompe, les erreurs devenant indistinguables.
Sensibilité à $\beta$ : Les résultats montrent que la méthode est robuste pour une large gamme de valeurs de $\beta$ (0.05 à 0.25), bien que le choix optimal dépende de la structure des données.

Applications sur Données Réelles

Clients de gros (Wholesale Customers) : Classification des canaux de vente (Horeca vs Retail) basée sur des données compositionnelles transformées. La LCDD a permis une amélioration moyenne de 4,5 points de pourcentage par rapport à la méthode globale, avec un $\beta$ optimal de 0.05.
Base de données SPAM : Classification de 4601 e-mails (spam/non-spam) basée sur la fréquence des mots. La méthode locale a obtenu une amélioration de 8 points de pourcentage, avec un $\beta$ optimal très faible (0.01), suggérant une structure de données très fine et complexe.

5. Signification et Conclusion

Cet article démontre que l'introduction d'une notion de localité dans les fonctions de profondeur est essentielle pour l'analyse des données directionnelles complexes.

Avantage principal : La LCDD permet de contourner les limitations des profondeurs globales face aux distributions multimodales, offrant une flexibilité supérieure pour la séparation des classes.
Impact pratique : La méthode s'avère particulièrement efficace pour des données réelles de haute dimension et de nature compositionnelle (comme le texte), où les structures sous-jacentes sont souvent non convexes.
Perspectives : Les auteurs suggèrent d'étendre cette approche aux problèmes de classification multiclasse et à d'autres types de variétés (manifolds) au-delà de l'hypersphère.

En résumé, ce travail fournit un cadre théorique solide et une validation empirique convaincante pour l'utilisation de profondeurs locales dans la classification directionnelle, améliorant significativement la précision des modèles dans des scénarios réalistes et complexes.