في عالم متسارع يتطلب التكيف المستمر مع البيانات المتغيرة، ظهر مصطلح كشف الانحرافات المستمر (Continual Anomaly Detection) كأداة قوية تهدف إلى تحسين أداء النماذج عند التفاعل مع توزيعات بيانات جديدة. الدراسة التي تم نشرها على موقع arXiv تأخذنا في رحلة عبر إطار عمل جديد مُبتكر يهدف إلى تصميم سيناريوهات قياسية واضحة ومقارنة في مجال كشف الانحرافات.

أحد أبرز التحديات في هذا المجال هو كيفية تعريف المهام وتصفيتها وترتيبها بشكل سليم، حيث أن الحدود بين المهام في المجالات الجدولية غالباً ما تكون غامضة. يمكن أن تؤدي الانقسامات العشوائية إلى مهام غير قابلة للتعلم، مما يعقد عملية التعلم المستمر ويربك الأداء.

لذا، تقترح هذه الدراسة إطار عمل منهجي يستند إلى مجموعات بيانات كشف الانحرافات الموجودة بالفعل، مما يسهل عملية اكتشاف المهام وتصفية غير المناسبة، إضافةً إلى تحديد ترتيبات مدروسة تكشف عن ديناميكيات متنوعة تتعلق بالانحرافات.

نتيجة لذلك، يقدم هذا البحث خمسة سيناريوهات جاهزة للاستخدام من ثلاثة مجموعات بيانات ضخمة في مجال الأمن السيبراني، مما يعزز الفهم العميق لكيفية عمل الأنظمة في وضعيات مختلفة سواء في إعدادات مجموعة بيانات واحدة أو متعددة.