feat(ml): replace logistic regression with MLP fusion and KS drift with ADWIN online learning

Replace the LogisticRegression meta-learner with a PyTorch MetaFusionMLP
(Linear(3,16)->BN->ReLU->Dropout->Linear(16,1)->Sigmoid) for non-linear
fusion of EIF, NF, and XGBoost scores. Replace KS-test + quantile digest
drift detection with ADWIN (adaptive sliding window, Hoeffding bound).
Replace weekly XGBoost batch retraining with River HoeffdingAdaptiveTree
for incremental online learning (learn_one per cycle). Update all thesis
documentation sections (2.4.2c, 2.4.3, 3.8, discussion, conclusion).

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

services/bot-detector/DOCUMENTATION.md

@@ -690,18 +690,15 @@ Clustering des anomalies pour identifier les campagnes coordonnées :
 
 Résultat : colonne `campaign_id` (-1 = isolé, ≥0 = membre d'un cluster).
 
-#### `_compute_drift_score(baseline_stats, current_baseline, features)`
+#### `ADWINDriftMonitor(features, delta=0.002)`
 
-Détection de dérive conceptuelle entre la baseline d'entraînement et la baseline
-courante. Deux méthodes :
+Détection de dérive conceptuelle par ADWIN (fenêtre glissante adaptative).
+Maintient un détecteur ADWIN par feature, mis à jour à chaque cycle avec la
+moyenne de la feature sur le trafic baseline.
 
-1. **Méthode principale** : Comparaison par quantiles interpolés (KS-like). Fraction
-   de features avec p < 0.05.
-2. **Fallback z-score** (`_compute_drift_score_zscore`) :
-   `z = |mean_current - mean_trained| / std_trained`. Fraction de features avec z > 2.0.
-
-Si la fraction dépasse `DRIFT_THRESHOLD` (0.30), le modèle est ré-entraîné et
-l'événement `DRIFT_DETECTED` est journalisé.
+Si la fraction de features en dérive dépasse `DRIFT_THRESHOLD` (0.30), le
+modèle EIF/NF est ré-entraîné. Si > 50% des features dérivent, une alerte
+`ADVERSARIAL_DRIFT` est générée.
 
 ---