تعلم الذاكرة الموجهة للطبيعة للكشف عن الأخطاء

نتناول مشكلة اكتشاف الشذوذ، أي الكشف عن الأحداث الشاذة في سلسلة الفيديو. تستخدم طرق اكتشاف الشذوذ المستندة إلى شبكات العصبونات التلافيفية (CNNs) عادةً مهامًا بديلة، مثل إعادة بناء الإطارات الفيديوية المدخلة، لتعلم نماذج تصف الحالة الطبيعية دون رؤية عينات شاذة أثناء التدريب، وتقييم مدى الشذوذ باستخدام خطأ إعادة البناء أثناء الاختبار. العيوب الرئيسية لهذه النهج هي أنها لا تأخذ في الاعتبار تنوع الأنماط الطبيعية بشكل صريح، وأن قدرة التمثيل القوية لشبكات العصبونات التلافيفية تسمح بإعادة بناء الإطارات الفيديوية الشاذة. لمعالجة هذه المشكلة، نقدم نهجًا للتعلم غير المشرف على اكتشاف الشذوذ يأخذ في الاعتبار تنوع الأنماط الطبيعية بشكل صريح، مع تقليل قدرة التمثيل لشبكات العصبونات التلافيفية. لهذا الغرض، نقترح استخدام وحدة ذاكرة مع نظام تحديث جديد حيث تسجل العناصر في الذاكرة أنماطًا نموذجية للبيانات الطبيعية. كما نقدم خسائر جديدة للكثافة والفصل بين الخصائص لتدريب الذاكرة، مما يعزز قوة التمييز لكل من عناصر الذاكرة والخصائص التي تم تعلمها بعمق من البيانات الطبيعية. تظهر النتائج التجريبية على مقاييس المعايير القياسية فعالية وكفاءة نهجنا، والذي يتفوق على أحدث التقنيات في هذا المجال.