كشف الشذوذ القليل التدريب العميق القابل للتفسير باستخدام شبكات الانحراف

تُركّز النماذج الحالية للكشف عن الشذوذ بشكل كبير على تدريب نماذج الكشف باستخدام بيانات طبيعية فقط أو بيانات غير مُعلّمة (معظمها عينات طبيعية). إحدى المشكلات الشهيرة لهذه النماذج هي ضعف قدرتها على التمييز بين العينات الشاذة والطبيعية، نظرًا لعدم توفر معرفة بالشذوذات. في هذا العمل، ندرس مشكلة الكشف عن الشذوذ بعينات قليلة (few-shot anomaly detection)، حيث نهدف إلى استخدام عدد قليل من الأمثلة الشاذة المُعلّمة لتدريب نماذج كشف فعّالة من حيث العينات. ولحل هذه المشكلة، نقدّم إطارًا جديدًا للكشف عن الشذوذ بمساعدة ضعيفة (weakly-supervised anomaly detection) يُدرّب نماذج الكشف دون افتراض أن الأمثلة المقدمة تمثل جميع الفئات الممكنة للشذوذ.وبشكل خاص، يتعلم النهج المقترح طبيعة الطبيعة (الانتظام) التمييزية من خلال استغلال الأمثلة الشاذة المُعلّمة والاحتمال السابق (prior probability) لتعزيز تمثيلات تعبيرية للطبيعة وتمثيلات غير محدودة الانحراف للشذوذ. ويتم تحقيق ذلك من خلال عملية تحسين من النهاية إلى النهاية (end-to-end) لدرجات الشذوذ باستخدام تعلم الانحراف العصبي (neural deviation learning)، حيث تُفرض درجات الشذوذ للعينات الطبيعية أن تقترب من قيم قياسية مستمدة من الاحتمال السابق، بينما تُفرض على عينات الشذوذ أن تُظهر انحرافات إحصائية ذات دلالة من هذه القيم المستمدة في الذيل العلوي. علاوةً على ذلك، يتم تحسين نموذجنا لتعلم طبيعة وشذوذ دقيقين من خلال تعلم الانحراف في فضاءات ميزات قائمة على تعلم المثيلات المتعددة (top-K multiple-instance-learning-based feature subspace deviation learning)، مما يسمح بتمثيلات أكثر عامة. أظهرت التجارب الشاملة على تسع معايير حقيقية للكشف عن الشذوذ في الصور أن نموذجنا أكثر كفاءة من حيث العينات ومقاومة للتشويش، ويُقدّم أداءً أفضل بشكل ملحوظ من الطرق التنافسية الرائدة في كل من البيئات المغلقة (closed-set) والبيئات المفتوحة (open-set). كما يمكن لنموذجنا أن يقدّم قدرة على التفسير نتيجة لتعلم درجات الشذوذ القائم على الاحتمال السابق. يمكن الوصول إلى الكود والبيانات من خلال: https://git.io/DevNet.