CARLA: التعلم المُشَجِّع ذاتيًا للتمثيل المُتَناقض في كشف التسلسلات الزمنية عن الشذوذ

إحدى التحديات الرئيسية في كشف الشذوذ في السلاسل الزمنية (TSAD) هي نقص البيانات المُعلّمة في العديد من السيناريوهات الواقعية. تركز معظم الطرق الحالية للكشف عن الشذوذ على تعلّم السلوك الطبيعي للسلاسل الزمنية غير المُعلّمة بطريقة غير مراقبة. وغالبًا ما يتم تعريف الحد الطبيعي بشكل ضيق، مما يؤدي إلى تصنيف الانحرافات الطفيفة على أنها شذوذ، وبالتالي ينتج عنه معدل خطأ إيجابي كاذب مرتفع وقدرة محدودة على التعميم للأنماط الطبيعية. ولحل هذه المشكلة، نقدّم نهجًا جديدًا متكاملًا ذاتيًا (end-to-end self-supervised) يُعرف بـ "التعلم التماثلي للتمثيل" للكشف عن الشذوذ في السلاسل الزمنية (CARLA). في حين أن الطرق الحالية للتعلم التماثلي تفترض أن النوافذ المُعدّلة من السلاسل الزمنية تمثل أمثلة إيجابية، وأن النوافذ البعيدة زمنيًا تمثل أمثلة سلبية، فإننا نجادل بأن هذه الافتراضات محدودة، لأن عمليات التحسين (augmentation) في السلاسل الزمنية يمكن أن تحولها إلى أمثلة سلبية، كما أن نافذة بعيدة زمنيًا قد تمثل في الواقع أمثلة إيجابية. يعتمد نهجنا التماثلي على معرفة عامة موجودة حول الشذوذ في السلاسل الزمنية، ويُدخل أنواعًا مختلفة من الشذوذ كأمثلة سلبية. وبالتالي، لا يتعلم CARLA فقط السلوك الطبيعي، بل يتعلم أيضًا الانحرافات التي تشير إلى الشذوذ. كما يُنشئ تمثيلات متشابهة للنوافذ القريبة زمنيًا، وتمثيلات مختلفة للشذوذ. علاوةً على ذلك، يستفيد من معلومات الجيران المتعلقة بتمثيلات النافذة من خلال نهج ذاتي مراقب (self-supervised) لتصنيف النافذة بناءً على أقرب جار أو أبعد جار، بهدف تعزيز أداء كشف الشذوذ. وقد أظهرت الاختبارات المكثفة على سبعة مجموعات بيانات واقعية رئيسية للكشف عن الشذوذ في السلاسل الزمنية أداءً متفوقًا مقارنةً بالطرق المتطورة ذاتيًا وغير المراقبة الحالية في مجال TSAD. تُظهر أبحاثنا الإمكانات الكبيرة للتعلم التماثلي للتمثيل في تطوير كشف الشذوذ في السلاسل الزمنية.