باندا: التكيّف مع الميزات المُدرّبة مسبقًا للكشف عن الشذوذ والتقسيم

تتطلب طرق الكشف عن الشذوذ ميزات عالية الجودة. في السنوات الأخيرة، حاول مجتمع الكشف عن الشذوذ الحصول على ميزات أفضل باستخدام التطورات في تعلم الميزات ذاتية التدريب العميقة. ومن المفاجئ أن الاتجاه الواعد جدًا، المتمثل في استخدام الميزات العميقة المُدرّبة مسبقًا، قد تم تجاهله بشكل كبير. في هذه الورقة، نُثبت تجريبيًا النتيجة التي ربما تكون متوقعة، ولكن لم تُنشر سابقًا، وهي أن دمج الميزات المُدرّبة مسبقًا مع طرق بسيطة للكشف عن الشذوذ والتقسيم يتفوق بوضوح على الطرق المتطورة جدًا، وإن كانت أكثر تعقيدًا.ولتحقيق مكاسب إضافية في أداء الكشف عن الشذوذ، نُعدّل الميزات المُدرّبة مسبقًا لتتوافق مع التوزيع المستهدف. وعلى الرغم من أن أساليب نقل التعلم مُستقرة جيدًا في مشاكل التصنيف متعدد الفئات، فإن بيئة التصنيف الفردي (OCC) لم تُستكشف بالقدر الكافي. وتبين أن أساليب التكيف البسيطة، التي تعمل بشكل جيد عادةً في التعلم المراقب، تؤدي غالبًا إلى انهيار كارثي (تدهور في الميزات) وتقلل الأداء في بيئات التصنيف الفردي. ويدعو أحد الطرق الشائعة في OCC، وهي DeepSVDD، إلى استخدام هياكل مخصصة، لكن هذا يحد من مكاسب تحسين التكيف. نقترح طريقتين لمكافحة الانهيار: (أ) نسخة معدلة من إيقاف التدريب المبكر، التي تتعلم ديناميكيًا لحظة التوقف المناسبة؛ (ب) ت régularisation مرنّة مستوحاة من التعلم المستمر. ويُظهر أسلوبنا، PANDA، تفوقًا كبيرًا على أفضل الطرق الحالية في بيئات التصنيف الفردي، وعرض الأخطاء الخارجية، والتقسيم الشاذ.