نموذج موحد للكشف عن الشذوذ متعدد الفئات

رغم التقدم السريع في اكتشاف الشذوذ بدون إشراف، فإن الطرق الحالية تتطلب تدريب نماذج منفصلة لمختلف الأشياء. في هذا البحث، نقدم UniAD الذي يحقق اكتشاف الشذوذ لعدة فئات باستخدام إطار عمل موحد. تحت هذه البيئة الصعبة، قد تسقط شبكات الإعادة الشائعة في "اختصار متطابق"، حيث يمكن استرجاع العينات الطبيعية والشاذة بشكل جيد، مما يؤدي إلى فشلها في تحديد القيم المتطرفة. لمواجهة هذا العائق، نقوم بثلاث تحسينات. أولاً، نعيد النظر في صياغات طبقات الربط الكامل والطوابق التلافيفية وطبقة الانتباه (أو attention layer)، ونؤكد على الدور المهم للتمثيل الاستعلاماتي (أي داخل طبقة الانتباه) في منع الشبكة من تعلم الاختصار. لذلك، قمنا بتطوير محول استعلاماتي على مستوى الطبقات لمساعدة النموذج في تمثيل توزيع الفئات المتعددة. ثانياً، نستخدم وحدة انتباه مقنّعة بالجيران لتجنب تسرب المعلومات من الخصائص المدخلية إلى الخصائص المسترجعة المخرجة. ثالثاً، نقترح استراتيجية تشويش الخصائص التي تحث النموذج على استرجاع الرسالة الصحيحة حتى مع مدخلات مشوهة. نقيم خوارزميتنا على مجموعتي البيانات MVTec-AD وCIFAR-10، حيث نتفوق على بدائل الطليعة بأكثر من هامش كافٍ. على سبيل المثال، عند تعلم نموذج موحد لـ 15 فئة في MVTec-AD، نتفوق على المنافس الثاني في مهمتي اكتشاف الشذوذ (من 88.1% إلى 96.5%) وتخصيص الشذوذ (من 89.5% إلى 96.8%). يمكن الحصول على الكود من الرابط: https://github.com/zhiyuanyou/UniAD.注释：在阿拉伯语中，一些科技术语如“query embedding”和“attention layer”被直接翻译为“تمثيل الاستعلامات”和“طبقة الانتباه”，以保持专业性和通用性。同时，为了确保信息的完整性，“feature jittering strategy”被翻译为“استراتيجية تشويش الخصائص”。