شهدت الآونة الأخيرة تطوراً ملحوظاً في تقنيات كشف الشذوذ الزمني، حيث استعانت العديد من الدراسات بالشبكات العصبية الكبيرة مثل نماذج التحويل (Transformers) والنماذج الأساسية (Foundation Models). إلا أن هذه التقنيات غالباً ما تحتاج إلى موارد ضخمة في معالجة البيانات، مما يجعلها غير مناسبة للاستخدام في الزمن الحقيقي أو في البيئات المحدودة الموارد.

في هذا السياق، تظهر تقنية باAno (Patch-Based Representation Learning) كحل مبتكر وفعال للكشف عن الشذوذ الزمني. يقوم هذا المنهج باستخراج قطع زمنية قصيرة من بيانات التدريب، ويستخدم شبكة عصبية التفاف ذات بعد واحد (1D Convolutional Neural Network) لتحويل كل قطعة إلى تمثيل عددي. تعتمد عملية التدريب على خوارزميتين: خسارة الثلاثي (Triplet Loss) وخسارة استباقية (Pretext Loss)، مما يضمن أن تمثيلات البيانات تعكس الأنماط الزمنية الهامة.

خلال عملية التنبؤ، يتم حساب درجة الشذوذ عند كل نقطة زمنية من خلال مقارنة تمثيلات القطع المحيطة بها مع تمثيلات قطع البيانات الطبيعية المستخرجة من بيانات التدريب.

وفي اختباراتنا باستخدام معيار TSB-AD، حققت تقنية باAno أداءً متفوقاً، حيث تفوقت بشكل ملحوظ على الأساليب الحالية بما في ذلك تلك المعتمدة على هياكل ثقيلة، سواء في كشف الشذوذ الأحادي (Univariate) أو المتعدد (Multivariate) عبر مقاييس متعددة.

يعد هذا الابتكار خطوة هامة نحو تحقيق أداء أعلى في الكشف عن الشذوذ الزمني مع تقليل التكاليف. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!