{Maksimov I. Lobachev V Kozitsin V Katser I}
الملخص
تُستخدم خوارزميات الكشف عن النقاط المتغيرة (CPD) في وضع غير متصل لتقسيم الإشارات بطريقة مثلى. عادةً، تعتمد هذه الخوارزميات على افتراض أن الخصائص الإحصائية المتغيرة للإشارة معروفة، ويتم استخدام النماذج المناسبة (القياسات، دوال التكلفة) للكشف عن النقاط المتغيرة. وإلا، يمكن أن يصبح عملية اختيار النموذج المناسب مرهقة وطويلة الأمد، مع نتائج غير مؤكدة. وعلى الرغم من أن النهج المجمع (Ensemble) معروف جيدًا بزيادة موثوقية الخوارزميات الفردية والتعامل مع التحديات المذكورة، فإنه يظل غير مُصاغ بشكل كافٍ، ويتلقى اهتمامًا أقل بكثير في مشكلات CPD مقارنةً بمشاكل الكشف عن القيم الشاذة أو التصنيف. يقترح هذا البحث إجراءً غير مُراقب للكشف المجمع عن النقاط المتغيرة (CPDE)، يشمل الكود الوظيفي للخوارزميات المُقترحة ورابطًا إلى نسخة مُطبقة بلغة بايثون. تكمن أصالة المنهجية في تجميع عدة دوال تكلفة قبل بدء عملية البحث عن النقاط المتغيرة أثناء التحليل غير المتصل. أظهرت التجربة العددية أن CPDE المقترح يتفوق على الطرق غير المجمعة للكشف عن النقاط المتغيرة. علاوةً على ذلك، ركّزنا على تحليل الخوارزميات الشائعة للكشف عن النقاط المتغيرة، ووظائف التحجيم (Scaling)، ووظائف التجميع (Aggregation)، وقمنا بمقارنتها خلال التجربة العددية. تم الحصول على النتائج على مجموعتين من المعايير للانحرافات (Anomaly Benchmarks) تضمّان أعطالًا وفشلًا صناعيًا: عملية تينيسي إستمن (TEP) وBenchmark للانحرافات من معهد سكولتك (SKAB). إحدى التطبيقات الممكنة لأبحاثنا هي تقدير وقت حدوث العطل في مشكلات تحديد وعزل الأعطال ضمن مجال التشخيص التقني.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| change-point-detection-on-skab | BinSeg CPD algorithm (Mahalanobis metric) | NAB (LowFN): 25.04 NAB (lowFP): 21.69 NAB (standard): 24.1 |
| change-point-detection-on-skab | Opt CPD algorithm (Mahalanobis metric) | NAB (LowFN): 23.37 NAB (lowFP): 19.9 NAB (standard): 22.37 |
| change-point-detection-on-skab | Win CPD algorithm (l1 metric) | NAB (LowFN): 19.19 NAB (lowFP): 16.22 NAB (standard): 18.4 |
| change-point-detection-on-skab | WinEnsemble CPDE algorithm (Sum+MinAbs) | NAB (LowFN): 20.35 NAB (lowFP): 17.03 NAB (standard): 19.38 |
| change-point-detection-on-skab | BinSegEnsemble CPDE algorithm (WeightedSum+Rank) | NAB (LowFN): 19.51 NAB (lowFP): 15.36 NAB (standard): 18.1 |
| change-point-detection-on-skab | OptEnsemble CPDE algorithm (WeightedSum+Rank) | NAB (LowFN): 24.35 NAB (lowFP): 20.52 NAB (standard): 23.07 |
| change-point-detection-on-tep | Win CPD algorithm (Mahalanobis metric) | NAB (LowFN): 28.05 NAB (lowFP): 27 NAB (standard): 27.79 |
| change-point-detection-on-tep | BinSeg CPD algorithm (Mahalanobis metric) | NAB (LowFN): 37.29 NAB (lowFP): 35.82 NAB (standard): 36.88 |
| change-point-detection-on-tep | BinSegEnsemble CPDE algorithm (Min+MinMax/Rank) | NAB (LowFN): 42.16 NAB (lowFP): 41 NAB (standard): 41.81 |
| change-point-detection-on-tep | Opt CPD algorithm (Mahalanobis metric) | NAB (LowFN): 37.29 NAB (lowFP): 35.82 NAB (standard): 36.88 |
| change-point-detection-on-tep | WinEnsemble CPDE algorithm (WeightedSum+MinAbs) | NAB (LowFN): 26.29 NAB (lowFP): 24.33 NAB (standard): 25.14 |
| change-point-detection-on-tep | OptEnsemble CPDE algorithm (Min+MinMax/Rank) | NAB (LowFN): 42.16 NAB (lowFP): 41 NAB (standard): 41.81 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.