كشف غير مراقب للشذوذ العميق لإشارات زمنية متعددة الحساسات

في الوقت الحاضر، تُطبَّق تقنيات المستشعرات المتعددة في العديد من المجالات، مثل الرعاية الصحية (HC)، وتمييز الأنشطة البشرية (HAR)، وأنظمة التحكم الصناعية (ICS). يمكن لهذه المستشعرات إنتاج كمية كبيرة من البيانات الزمنية متعددة المتغيرات. وقد أثبتت الكشف غير المُشرَّف عن الشذوذ على البيانات الزمنية المتعددة المستشعرات أهميتها البالغة في أبحاث التعلم الآلي. والتحدي الرئيسي يتمثل في اكتشاف أنماط طبيعية عامة من خلال التقاط الارتباطات المكانية-الزمنية في بيانات المستشعرات المتعددة. وبالإضافة إلى هذا التحدي، غالبًا ما تكون البيانات الضوضائية مختلطة مع بيانات التدريب، مما قد يُربك النموذج ويُعقّد التمييز بين البيانات الطبيعية والشاذة والضوضائية. ونادرًا ما تناولت الأبحاث السابقة هذه التحديين معًا. في هذه الورقة، نقترح خوارزمية جديدة للكشف عن الشذوذ تعتمد على التعلم العميق تُسمى شبكة الترميز التلقائي التلافيفي العميق ذات الذاكرة (CAE-M). نقوم أولًا ببناء مُشفِّر تلقائي تلافيفي عميق لتمثيل الاعتماد المكاني في بيانات المستشعرات المتعددة باستخدام الفرق المتوسط الأقصى (MMD) لتمييز أفضل بين البيانات الضوضائية والطبيعية والشاذة. ثم نُنشئ شبكة ذاكرة تتكون من تنبؤات خطية (نموذج ذاتي الانحدار) وتنبؤات غير خطية (LSTM ثنائي الاتجاه مع انتباه) لالتقاط الاعتماد الزمني من البيانات الزمنية. وأخيرًا، تقوم شبكة CAE-M بتحسين هاتين الشبكتين الفرعيتين معًا بشكل مشترك. ونقوم بمقارنة تجريبية للنهج المقترح مع عدة طرق حديثة متقدمة للكشف عن الشذوذ على مجموعات بيانات HAR وHC. وتُظهر النتائج التجريبية أن النموذج المقترح يتفوق على الطرق الموجودة حاليًا.