إنشاء و إعادة وزن أنماط تناقضية كثيفة للكشف غير المُشرَّف عن الشذوذ

تُعتمد الطرق الحديثة للكشف عن الشذوذ غير المراقبة غالبًا على مستخرجات الميزات التي تم تدريبها مسبقًا باستخدام مجموعات بيانات مساعدة، أو على عينات مُصَمَّمة بعناية تمثل الشذوذ. ومع ذلك، قد يؤدي هذا إلى تقييد قابليتها للتكيف مع مجموعة متزايدة من مهام الكشف عن الشذوذ، نظرًا للارتباطات المسبقة الناتجة عن اختيار مجموعات البيانات المساعدة أو استراتيجية محاكاة الشذوذ. لمواجهة هذه التحديات، نُقدِّم أولًا نموذجًا جديدًا لتكوين الشذوذ يخلو من الارتباطات المسبقة، ثم نطوّر إطارًا مبتكرًا للكشف عن الشذوذ غير المراقب يُسمى GRAD، مستندًا إلى هذا النموذج. يتكوّن GRAD من ثلاثة مكونات أساسية: (1) نموذج تبديد (PatchDiff) لإنشاء أنماط تقابلية من خلال الحفاظ على الهياكل المحلية مع تجاهل الهياكل العالمية الموجودة في الصور الطبيعية، (2) آلية إعادة وزن ذاتية التدريب لمعالجة تحدي التوزيعات الطويلة الذيل (long-tailed) والأنماط التقابلية غير المُسمّاة التي يولدها PatchDiff، و(3) كاشف خفيف الوزن على مستوى اللوحة (patch-level) لتمييز الأنماط الطبيعية عن الأنماط التقابلية المعاد وزنها بشكل فعّال. تُظهر نتائج إنشاء PatchDiff بشكل فعّال أنواعًا متعددة من أنماط الشذوذ، مثل الأنماط الهيكلية والمنطقية. علاوةً على ذلك، تدعم التجارب الواسعة التي أُجريت على مجموعتي بيانات MVTec AD وMVTec LOCO الملاحظات السابقة، وتُظهر أن GRAD يحقق دقة عالية في الكشف عن الشذوذ، وسرعة استنتاج متفوقة.