تُعد كشف الشذوذ غير المراقب (Unsupervised Anomaly Detection) أمرًا بالغ الأهمية في التصنيع الصناعي على نطاق واسع. وقد استفادت الأساليب الحديثة من مزايا استخدام تصنيفات مُدرَّبة مسبقًا على الصور الطبيعية لاستخراج ميزات تمثيلية من طبقات محددة. ثم تُعالج هذه الميزات المستخرجة باستخدام تقنيات متنوعة. وبشكل خاص، أظهرت الطرق القائمة على "مصرف الذاكرة" (Memory Bank-based methods) دقة استثنائية؛ لكنها غالبًا ما تفرض تنازلاً في ما يتعلق بالتأخير الزمني (latency). ويُشكل هذا التنازل في التأخير تحديًا في التطبيقات الصناعية الزمنية الحقيقية، حيث يُعد كشف الشذوذ والاستجابة السريعة أمرًا حاسمًا. في الواقع، أظهرت أساليب بديلة مثل التحويل المعرفي (Knowledge Distillation) والتدفق المُعدّل (Normalized Flow) أداءً واعدًا في كشف الشذوذ غير المراقب مع الحفاظ على تأخير منخفض. وفي هذا البحث، نهدف إلى إعادة النظر في مفهوم التحويل المعرفي في سياق كشف الشذوذ غير المراقب، مع التركيز على أهمية اختيار الميزات. من خلال استخدام ميزات مميزة واستغلال نماذج مختلفة، نسعى إلى تسليط الضوء على أهمية اختيار الميزات ذات الصلة بعناية، وتوظيفها بشكل مخصص لتلبية متطلبات كشف الشذوذ. ويقدم هذا المقال منهجًا جديدًا مبنيًا على التحويل المعرفي ثنائي النموذج (Dual Model Knowledge Distillation) للكشف عن الشذوذ. ويستفيد المنهج المقترح من الطبقات العميقة والسطحية معًا لدمج أنواع مختلفة من المعلومات الدلالية (Semantic Information).