في عالم الذكاء الاصطناعي، يواجه الباحثون تحديات مستمرة في تعامل الشبكات العصبية مع بيانات الشذوذ (Out-of-Distribution - OOD). لمواجهة هذه المشكلة، تم تقديم تقنية جديدة تدعى Geometrically Constrained Outlier Synthesis (GCOS)، تهدف إلى تعزيز قدرة النماذج على التمييز بين البيانات الطبيعية والشاذة أثناء عملية التدريب.

تعمل هذه التقنية على التغلب على القيود الموجودة في منهجيات التحليل السابقة، حيث تقوم بتوليد عناصر شاذة افتراضية داخل الفضاء الخفي للميزات، مع مراعاة الهيكل الجيومتري للبيانات المعروفة. تنقسم عملية التوليد إلى مرحلتين: الأولى تتعلق باستخراج اتجاهات جيومترية من مجموعة البيانات التدريبية، بينما الثانية تعتمد على إنشاء غلاف مستلهم من معايير كمية لضبط قوة التوليد.

هذا الغلاف يهدف إلى ضمان أن العناصر الناتجة ليست فقط قابلة للاكتشاف بسهولة، بل أيضًا صعبة التمييز عن البيانات المعروفة، مما يسهل تعلم ميزات أكثر قوة. بجانب ذلك، تم دمج هدف انتقائي يساهم في تعزيز فصل عناصر البيانات المعروفة والشاذة، مثلاً باستخدام مساحات تصنيف مثل مقياس ماهالانوبس (Mahalanobis).

أظهرت التجارب أن GCOS تتفوق على تقنيات رائدة أخرى، مما يعزز من دقة الاستدلال على البيانات القريبة من الشذوذ. بل وأكثر من ذلك، يوفر هذا الإطار انتقالاً طبيعياً إلى استدلال OOD مطابق، مما يتيح تحويل درجات عدم اليقين إلى قيم إحصائية مع ضمانات رسمية للخطأ. في النهاية، توفر GCOS مسارًا موثوقًا للكشف عن الشذوذ، مما يجعل الذكاء الاصطناعي أكثر قوة وموثوقية في بيئات العالم الحقيقي.