هجين الشبكات الكبسولية والشبكات ذات التكرار الطويل (LSTM) للكشف عن الشذوذ غير المُراقب على البيانات متعددة المتغيرات

أظهرت تقنيات التعلم العميق مؤخرًا إمكانات واعدة في مجال كشف الشذوذ، حيث تُعد طريقة مرنة وفعالة لتمثيل الأنظمة مقارنة بالطرق التقليدية القائمة على النمذجة الإحصائية ومعالجة الإشارات. ومع ذلك، تواجه الشبكات العصبية (NN) بعض المشكلات الشهيرة، مثل قدرة التعميم، واحتياجها إلى كميات كبيرة من البيانات المُعلَّمة لتدريبها بكفاءة، بالإضافة إلى صعوبة فهم السياق المكاني في البيانات. تقدم هذه الورقة معمارية جديدة للشبكة العصبية تدمج بين شبكات الذاكرة الطويلة القصيرة (LSTM) وشبكات الكبسولات (Capsule Networks) داخل شبكة واحدة ضمن هيكل مُشفّر ذات دخل متفرع، لاستخدامها على بيانات متعددة المتغيرات الزمنية. تعتمد الطريقة المقترحة على تقنية تعلم غير مراقبة للتغلب على التحديات المرتبطة باحتياج كميات كبيرة من البيانات المُعلَّمة. تُظهر النتائج التجريبية أن استخدام الكبسولات، حتى دون تحسين المُعاملات الفائقة (hyperparameters)، يقلل بشكل كبير من التأقلم الزائد (overfitting) ويعزز كفاءة التدريب. علاوة على ذلك، تُظهر النتائج أن النماذج ذات الدخل المتفرع قادرة على تعلُّم البيانات متعددة المتغيرات بشكل أكثر اتساقًا، سواء تم استخدام الكبسولات أم لا، مقارنة بالنماذج ذات الدخل غير المتفرع. كما تم اختبار المعمارية المقترحة على معيار مفتوح المصدر، حيث حققت أداءً متقدمًا على مستوى التقنيات الحالية في كشف القيم الشاذة، وتفوقت بشكل عام على الطرق الحالية في جميع المؤشرات التي تم اختبارها.