RealNet: شبكة اختيار الميزات ذات شكل تشويهي اصطناعي واقعي للكشف عن الشذوذ

أظهرت أساليب إعادة بناء الميزات ذاتية التدريب تقدماً واعداً في كشف وتحديد الشذوذ في الصور الصناعية. وعلى الرغم من هذا التقدم، تواجه هذه الأساليب تحديات حتى الآن في توليد عينات شاذة واقعية ومتنوعة، وكذلك في معالجة التكرار في الميزات والتحيّز في التدريب المسبق للميزات المُدرّبة مسبقاً. في هذا العمل، نقدّم RealNet، وهي شبكة لإعادة بناء الميزات تتميز بتوليد شذوذ واقعي ومنتظم وتحديد ميزات تكيفية. وتم دمجها بثلاثة ابتكارات رئيسية: أولاً، نقترح استراتيجية توليد شذوذ مُتعدّد القوة باستخدام التوزيع (SDAS)، وهي استراتيجية تعتمد على عملية التوزيع، قادرة على إنتاج عينات بمستويات مختلفة من شدة الشذوذ، وتنسق توزيعها مع العينات الشاذة الحقيقية. ثانيًا، نطوّر طريقة اختيار الميزات الشاذة (AFS)، وهي طريقة لاختيار مجموعات فرعية تمثيلية وتمييزية من الميزات المُدرّبة مسبقاً، بهدف تحسين أداء كشف الشذوذ مع التحكم في التكاليف الحسابية. ثالثًا، نقدّم استراتيجية اختيار الباقيات في إعادة البناء (RRS)، وهي استراتيجية تختار تكيفياً الباقيات التمييزية لتحديد مناطق الشذوذ بشكل شامل عبر مستويات متعددة من الدقة. تم تقييم RealNet على أربع مجموعات بيانات معيارية، وأظهرت النتائج تحسّناً ملحوظاً في كل من مؤشر Image AUROC وPixel AUROC مقارنة بالأساليب الرائدة حالياً. يتوفر الكود والبيانات والنماذج على الرابط: https://github.com/cnulab/RealNet.