HyperAIHyperAI
منذ 12 أيام

نموذج مزيج غاوسي تشفير تلقائي عميق للكشف غير المراقب عن الشذوذ

{Cristian Lumezanu, Wei Cheng, Qi Song, Daeki Cho, Bo Zong, Martin Renqiang Min, Haifeng Chen}
نموذج مزيج غاوسي تشفير تلقائي عميق للكشف غير المراقب عن الشذوذ
الملخص

الكشف غير المُراقب عن الشذوذ في البيانات متعددة الأبعاد أو عالية الأبعاد يُعد أمرًا بالغ الأهمية في البحث الأساسي في التعلم الآلي والتطبيقات الصناعية، حيث يقع تقدير الكثافة في صميم هذه المهمة. وعلى الرغم من التقدم المحرز من خلال النماذج السابقة القائمة على تقليل الأبعاد تليها تقدير الكثافة، إلا أنها تعاني بشكل رئيسي من تعلم نموذج منفصل (غير مترابط) بأهداف تحسين غير متناسقة، بالإضافة إلى عدم قدرتها على الحفاظ على المعلومات الأساسية في الفضاء منخفض الأبعاد. في هذه الورقة، نقدم نموذجًا يُسمى النموذج المختلط للغوس المُشفّر العميق (DAGMM) للكشف غير المُراقب عن الشذوذ. يستخدم نموذجنا مُشفّرًا عميقًا (Deep Autoencoder) لإنشاء تمثيل منخفض الأبعاد وخطأ إعادة بناء لكل نقطة بيانات مدخلة، والتي تُقدّم بعدها إلى نموذج مختلط للغوس (GMM). بدلًا من استخدام تدريب مزدوج مفصّل وخوارزمية التوقع-التحديث القياسي (EM)، يقوم DAGMM بتحسين المعلمات الخاصة بالمُشفّر العميق ونموذج المختلط معًا بشكل متكامل (end-to-end)، مستفيدًا من شبكة منفصلة لتقدير المعلمات لتسهيل تعلم معلمات نموذج المختلط. يُعد هذا التحسين المُتكامل، الذي يوازن بشكل جيد بين إعادة بناء التشفير، وتقدير الكثافة في التمثيل الخفي، والتنظيم (Regularization)، سببًا في مساعدة المُشفّر على تجاوز الحلول المحلية غير المرغوبة، ويخفف من أخطاء إعادة البناء، مما يُقلل الحاجة إلى التدريب المسبق (pre-training). أظهرت النتائج التجريبية على عدة مجموعات بيانات معيارية عامة أن DAGMM يتفوق بشكل ملحوظ على تقنيات الكشف عن الشذوذ الرائدة حاليًا، ويحقق تحسنًا يصل إلى 14% بناءً على معيار F1 القياسي.