في عالم التعلم الآلي، يظل اكتشاف الشذوذ غير المراقب (Unsupervised Anomaly Detection) أحد التحديات الكبيرة، نظراً لأن البيانات ذات العلامات المطلوبة غالباً ما تكون نادرة أو غير متاحة. ومع التطورات الأخيرة، تم تقسيم الأساليب الرائدة إلى فئتين رئيسيتين: الأساليب المعتمدة على إعادة البناء، التي غالباً ما تعيد بناء الشذوذ بشكل مفرط، وأساليب التعلم التمثيلي المفصول مع مُقدّرات الكثافة، التي قد تعاني من مساحة ميزات غير مثالية.

تتمثل المشكلة الرئيسية في قدرة الأساليب الحديثة التي تحاول دمج التعلم التمثيلي مع اكتشاف الشذوذ في الاعتماد على أهداف بديلة، أو فرض قيود على اختيارات النواة، أو تقديم تقريبات تحد من تعبيرها ومرونتها. للرد على هذا التحدي، تم اقتراح طريقة مبتكرة تربط بين التعلم التمثيلي و One-Class SVM (OCSVM) من خلال صياغة خسارة مخصصة تتماشى بشكل مباشر مع الحدود القرار لـ OCSVM.

تم تقييم النموذج على مهمتين: اختبار جديد يعتمد على مجموعة بيانات MNIST-C، ومهمة صعبة تشمل اكتشاف الأورام الدقيقة في صور الرنين المغناطيسي للدماغ. على عكس معظم الأساليب التي تركز على الآفات الكبيرة والعالية الشدة، ينجح نهجنا في استهداف الآفات الصغيرة وغير العالية الشدة. كما قمنا بتقييم القياسات على مستوى الفوكيل، مما يعكس سيناريو أكثر صلة بالواقع السريري.

تظهر النتائج أداءً ومرونة ملفتة لنموذجنا المقترح، مما يبرز إمكانياته في تطبيقات اكتشاف الشذوذ غير المراقب (UAD) والكشف الطبي الواقعي. يمكن الوصول إلى التعليمات البرمجية المصدرية للمشروع على Github من خلال الرابط: GitHub.