HyperAIHyperAI

Command Palette

Search for a command to run...

كشف الشذوذ من خلال الاستخلاص العكسي من التضمين من فئة واحدة

Hanqiu Deng Xingyu Li

الملخص

تحقيق تَحْوِيل المعرفة (KD) نتائج واعدة في مواجهة المشكلة الصعبة لكشف الشذوذ غير المُراقب (AD). توفر الفجوة في التمثيل بين الشذوذ في نموذج المعلم والطالب (T-S) أدلة أساسية لكشف الشذوذ. ومع ذلك، فإن استخدام هياكل متشابهة أو متطابقة لبناء نموذجي المعلم والطالب في الدراسات السابقة يعيق تنوع تمثيلات الشذوذ. ولحل هذه المشكلة، نقترح نموذج T-S جديد يتكون من مُشفر معلم وفكّار طالب، ونُقدّم بأسلوب بسيط وفعال يُسمى "تَحْوِيلًا عكسيًا". بدلًا من استقبال الصور الأصلية مباشرة، يستقبل الشبكة الطالب تمثيلًا واحدًا من فئة (one-class embedding) من نموذج المعلم، ويهدف إلى استعادة تمثيلات متعددة المقياس الخاصة بنموذج المعلم. وبشكل جوهري، يبدأ تَحْوِيل المعرفة في هذه الدراسة من تمثيلات مجردة عالية المستوى إلى ميزات منخفضة المستوى. بالإضافة إلى ذلك، نُقدّم وحدة قابِلة للتدريب تُسمى "مُدمجة فئة واحدة مُضَيَّقة" (OCBE) في نموذج T-S. ويُحقّق التمثيل المكثف الناتج الحفاظ الفعّال على المعلومات الأساسية حول الأنماط الطبيعية، مع التخلّص من التشويشات الناتجة عن الشذوذ. وتشير التجارب الواسعة على معايير كشف الشذوذ وكشف الجديد من فئة واحدة إلى أن طريقة我们的 تفوق الأداء المُتقدم (SOTA)، مما يُظهر فعالية وقابلية تعميم النهج المُقترح.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp