تتزايد الحاجة للكشف عن الشذوذ في بيانات الزمن (Time Series) بشكل مستمر، ومع ذلك، فإن التعقيد المتزايد في النماذج المستخدمة يمكن أن يتسبب في تعقيد عملية التحليل. في هذا السياق، تأتي شبكة JuRe (Just Repair) كحل مبتكر يدعو إلى إعادة التفكير في كيفية الكشف عن الشذوذ.

تتميز شبكة JuRe بأنها تعتمد على وحدة واحدة فقط من شبكة عصبية عميقة تُعرف بـ depthwise-separable convolutional residual block، والتي تتم تدريباتها لإصلاح النوافذ التي تعرضت لتشويه Gaussian وفتحات قناة مفقودة. يتم تقييم أدائها من خلال وظيفة فرق هيكلية ثابتة بدون أي معلمات متعلمة، مما يُظهر مدى بساطتها وفعاليتها.

تحقق JuRe ترتيباً ثانياً على معيار TSB-AD (AUC-PR 0.404 على 180 سلسلة بيانات) وترتيباً ثانياً أيضاً على أرشيف UCR (AUC-PR 0.201 على 250 سلسلة بيانات)، حيث تتفوق على العديد من الأساليب العصبية الأخرى. والأكثر إثارة، أن JuRe تعمل بسرعة تزيد عن 20 مرة مقارنةً بطريقة AxonAD المعترف بها في نفس معيار البيانات.

تقدم التجارب الشاملة على المعايير أدلة واضحة على أن إزالة التلوث Gaussian من البيانات تؤثر بشكل كبير على نتائج الأداء، حيث ينخفض معدل AUC-PR بنسبة 0.046. علاوة على ذلك، تشير بعض التجارب إلى أن درجة الشذوذ ترتبط بشكل متزايد بالانحراف الحقيقي بعيدًا عن المنحنى، مما يعكس دقة النموذج في التعرف على الشذوذ.

إذا كنت مهتماً بالتطورات في الذكاء الاصطناعي وتطبيقاته في تحليل بيانات الزمن، فقد حان الوقت لاستكشاف ما تقدمه JuRe. يمكنك الاطلاع على الشيفرة المصدرية للبحث عن مزيد من التفاصيل عبر الرابط [هنا].