MSFlow: إطار عمل يعتمد على التدفق متعدد المقياسات للكشف غير المراقب عن الشذوذ

يُجذب اكتشاف الشذوذ غير المُراقب (UAD) اهتمامًا كبيرًا من قبل الباحثين ويشجع على تطبيقات واسعة النطاق، حيث تكون العينات الخالية من الشذوذ فقط متاحة لعملية التدريب. وتسعى بعض تطبيقات UAD إلى تحديد مناطق الشذوذ بشكل إضافي دون أي معلومات حول الشذوذ.رغم أن غياب العينات الشاذة والتعليقات يُضعف أداء UAD، إلا أن نموذج إحصائي غير بارز لكنه قوي جدًا، وهو "التدفقات المعيارية" (Normalizing Flows)، يُعد مناسبًا جدًا لاكتشاف الشذوذ وتحديد موقعه بطريقة غير مُراقبة. إذ يمكن لنماذج الاحتمال القائمة على التدفقات، التي تُدرَّب فقط على بيانات خالية من الشذوذ، التمييز بكفاءة بين الشذوذ غير المتوقعة من خلال تعيينها احتمالات منخفضة جدًا بالمقارنة مع البيانات الطبيعية.ومع ذلك، فإن التباين في الحجم للشذوذ غير المتوقعة يُحدث عقبة إضافية أمام الطرق القائمة على التدفقات لتحقيق كفاءة عالية في اكتشاف الشذوذ وتحديد موقعه. ولتمكين التعميم أمام تباين حجم الشذوذ، نقترح إطارًا جديدًا يُدعى MSFlow، مبنيًا على تدفقات متوازية غير متماثلة، يتبعها تدفق تجميعي لتبادل الإدراك متعدد المقياس. علاوةً على ذلك، نُطبّق استراتيجيات مختلفة لدمج المقياس المتعدد في حالات اكتشاف الشذوذ على مستوى الصورة وتحديد موقعه على مستوى البكسل، وذلك استجابةً للاختلاف بين الحالتين. وقد تم تقييم MSFlow على ثلاث مجموعات بيانات للاكتشاف الشاذ، حيث أظهر أداءً متفوقًا بشكل ملحوظ على الطرق الحالية. وبشكل ملحوظ، حقق MSFlow في معيار MVTec AD الصعب، أداءً جديدًا يُعدّ الأفضل في مجاله، بتحقيقه نتيجة قياس كفاءة الكشف (AUORC) تصل إلى 99.7٪، ونتيجة كفاءة التصنيف الموضعي (AUCROC) تبلغ 98.8٪، ونتيجة PRO تصل إلى 97.1٪. ويتوفر الكود القابل للتكرار عبر الرابط: https://github.com/cool-xuan/msflow.