في عالم البيانات المتزايد تعقيدًا، يصبح كشف الشذوذ (Anomaly Detection) أمرًا حيويًا للكشف عن الحالات غير الطبيعية في البيانات الجدولية (Tabular Data). ولتلبية هذا الاحتياج، تم تقديم أسلوب مبتكر يُدعى RGLD، والذي يعني اختبار كثافة عالمي-محلي عشوائي (Randomized Global-Local Density Estimation). يمزج هذا الأسلوب بين كفاءة طرق الكشف التقليدية ومرونة التقنيات العميقة، مما يجعله فريدًا في مجال الكشف غير المراقب.

تتميز RGLD بأنها تستخدم فرعًا لكثافة الميزات العشوائية العالمية (Global Random-Feature Density Branch) لتحديد العينات في المناطق ذات الكثافة المنخفضة، مع فرع الجيران المحلي (Local Neighbor Branch) للكشف عن العينات التي تدعمها ملاحظات قريبة بشكل ضعيف. هذا المزيج يُمكّن النظام من الكشف عن الأدلة الغامضة التي قد تكون مخفية في أي تمثيل واحد.

خلال اختبارات على 47 مجموعة بيانات مستندة إلى مقارنات مع 23 طريقة كشف شذوذ معروفة، أظهرت RGLD أداءً رائعًا، حيث تصدرت في مستوى AUROC، وجاءت في المرتبة الثانية في AUPRC. بالإضافة إلى ذلك، تمتاز RGLD بسرعة عالية، حيث تتفوق على كافة الطرق العميقة المختبرة بنسبة تصل إلى 580 مرة، مما يجعلها خيارًا ممتازًا مع توازن مثالي بين الدقة والكفاءة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.