TRAINING A SUPERVISED MACHINE LEARNING MODEL FOR ANOMALY DETECTION

Example embodiments may relate to training of a supervised machine learning model for anomaly detection in a communication network. A computer-implemented method may comprise: detecting, by an unsupervised machine learning model, a plurality of anomalies in performance indicator data of a communication network; receiving labels for a first subset of the plurality of anomalies and labelling the first subset of the plurality of anomalies with the labels; training, based on the labelled first subset of the plurality of anomalies, a semi-supervised machine learning model for labelling anomalies; labelling, by the semi-supervised machine learning model, a second subset of the plurality of anomalies; and training, based on the labelled first and second subsets of the plurality of anomalies, a supervised machine learning model for detecting and/or classifying anomalies in the performance indicator data. Des modes de réalisation donnés à titre d'exemple peuvent concerner l'entraînement d'un modèle d'apprentissage automatique supervisé pour la détection d'anomalies dans un réseau de communication. Un procédé mis en œuvre par ordinateur peut consister : à détecter, par un modèle d'apprentissage automatique non supervisé, une pluralité d'anomalies dans des données d'indicateurs de performance d'un réseau de communication ; à recevoir des étiquettes pour un premier sous-ensemble de la pluralité d'anomalies et à étiqueter ledit premier sous-ensemble avec les étiquettes ; à entraîner, en fonction du premier sous-ensemble étiqueté de la pluralité d'anomalies, un modèle d'apprentissage automatique semi-supervisé pour étiqueter des anomalies ; à étiqueter, par le modèle d'apprentissage automatique semi-supervisé, un deuxième sous-ensemble de la pluralité d'anomalies ; et à entraîner, en fonction des premier et deuxième sous-ensembles étiquetés de la pluralité d'anomalies, un modèle d'apprentissage automatique supervisé, pour détecter et/ou classifier des anomalies dans les données d'indicateurs de performance.