في عالم التقنيات المتطورة، تتواصل المفاجآت في أساليب الكشف عن التشوهات في البيانات الزمنية بشكل غير متوقع. غالبًا ما تظهر الأخطاء في سلسلة البيانات متعددة المتغيرات كتحولات في الاعتمادية المتبادلة بين مختلف القنوات، بدلاً من التغيرات البسيطة في السعة. مثلاً، في قيادة السيارات الذاتية، قد يكون أمر التوجيه متسقاً داخلياً لكن يتفكك عن تسارع الجانب الناتج.

يستند AxonAD، وهو كاشف غير مشرف، إلى معالجة تطور استعلامات الانتباه المتعددة الرؤوس (multi-head attention) كعملية قابلة للتنبؤ على المدى القصير. حيث يتم دمج مسار إعادة الإعمار الذي يتلقى تحديثات عن طريق التنحي مع متنبئ يعتمد على التاريخ لتوقع المتجهات المستقبلية عن طريق السياق الماضي. يتم تدريب هذا النموذج عبر هدف تمهيدي مستهدف مغلق (masked predictor-target objective) مقابل ترميز متوسط متحرك أسي (exponential moving average).

عند إجراء التنبؤ، يتم دمج خطأ إعادة الإعمار مع درجة عدم تطابق الاستعلام المجمع، والتي تقيس انحراف الكوساين بين الاستعلامات المتوقعة والهادفة على فترات زمنية حديثة. هذه الطريقة الثنائية توفر حساسية لتحولات الاعتماد الهيكلي بينما تحتفظ بكفاءة الكشف على مستوى السعة.

في تجارب ميدانية على بيانات نقل ملكية المركبات مع تواريخ معينة، وأيضاً على مجموعة بيانات TSB-AD متعددة المتغيرات (17 مجموعة بيانات، 180 سلسلة)، أثبت AxonAD تحسينات ملحوظة في جودة الترتيب والتحديد الزمني مقارنة بالمعايير التقليدية.

تشير الاختبارات الإضافية إلى أن تنبؤ الاستعلام والتسجيل المشترك هما العنصران الرئيسيان وراء هذه التحسينات الملحوظة. للاستزادة، يمكنكم زيارة المستودع المتاح على GitHub [https://github.com/iis-esslingen/AxonAD] للاستفادة من الشيفرة والتطبيقات العملية.