| import numpy as np |
| import joblib |
|
|
| class SOTAHybridDetector: |
| """Détecteur hybride State-of-the-Art combinant : |
| - Module Stylométrique : 30 features invariantes |
| - Module Neural : Embeddings CamemBERT gelés (768 dims) |
| - Méta-Classifieur : XGBoost sur le vecteur concaténé (798 dims) |
| |
| Architecture conforme au blueprint SOTA juin 2026: |
| Phase 1: Prétraitement linguistique natif français |
| Phase 2: Représentation apprise légère (CamemBERT gelé) |
| Phase 3: Méta-Classifieur XGBoost |
| Phase 4: Explainabilité SHAP intégrée |
| """ |
| |
| def __init__(self, xgb_meta, scaler_sty, scaler_emb, num_sty_features, num_emb_features, |
| feature_names_sty=None, feature_names_emb=None): |
| self.xgb_meta = xgb_meta |
| self.scaler_sty = scaler_sty |
| self.scaler_emb = scaler_emb |
| self.num_sty_features = num_sty_features |
| self.num_emb_features = num_emb_features |
| self.feature_names_sty = feature_names_sty or [] |
| self.feature_names_emb = feature_names_emb or [] |
| self.total_features = num_sty_features + num_emb_features |
| |
| def _prepare_features(self, X_sty_raw, X_emb_raw): |
| """Scale et concatène les features stylométriques et les embeddings.""" |
| X_sty_scaled = self.scaler_sty.transform(X_sty_raw) |
| X_emb_scaled = self.scaler_emb.transform(X_emb_raw) |
| return np.hstack([X_sty_scaled, X_emb_scaled]) |
| |
| def predict_proba(self, X_sty_raw, X_emb_raw): |
| """Retourne les probabilités [P(humain), P(IA)] pour chaque échantillon.""" |
| X_combined = self._prepare_features(X_sty_raw, X_emb_raw) |
| return self.xgb_meta.predict_proba(X_combined) |
| |
| def predict(self, X_sty_raw, X_emb_raw, threshold=0.5): |
| """Retourne la classification binaire (0=Humain, 1=IA).""" |
| prob = self.predict_proba(X_sty_raw, X_emb_raw)[:, 1] |
| return (prob >= threshold).astype(int) |
| |
| def predict_combined(self, X_combined_scaled): |
| """Prédiction à partir du vecteur déjà combiné et scalé (pour SHAP).""" |
| return self.xgb_meta.predict_proba(X_combined_scaled) |
| |
| def get_feature_names(self): |
| """Retourne la liste complète des noms de features [sty + emb].""" |
| return self.feature_names_sty + self.feature_names_emb |
|
|
