تعتبر عملية اكتشاف الانحرافات الزمنية (Time-Series Anomaly Detection - TSAD) من التحديات الكبرى في علم البيانات، حيث تسبب الديناميكيات الزمنية المتنوعة صعوبة في تعميم الحلول عبر مجموعات البيانات المختلفة. فكل مجموعة زمنية قد تحمل مفاهيم مختلفة للجدارة وقد تتطلب معايير كشف مخصصة.

في هذا السياق، حيث تقدم نماذج الأساس الزمنية (Foundation Models) تمثيلات قابلة للنقل، فإن استخدام آلية رصد انحراف ثابتة يمكن أن يغفل عن الفروق الدقيقة. ولذلك، ظهر مفهوم جديد يستند إلى استخدام نماذج الأساس لتنسيق معايير الانحراف المتخصصة بدلاً من فرض معيار عام على جميع الحالات.

نسلط الضوء على إطار عمل مُسمى **TS-Router**، والذي يمثل نموذجًا عامًا مع القدرة على تحديد الانحرافات من خلال خوارزميات متخصصة. تعتمد هذه الاستراتيجية على تقدير الكفاءة النسبية لمكتشفات الانحراف المتنوعة من خلال تمثيلات زمنية مُدربة مسبقًا، مما يسمح باختيار المناسب لكل سلسلة زمنية مستهدفة.

الميزة الكبيرة في TS-Router تكمن في أن عملية التوجيه لا تتطلب تسميات الانحراف المستهدفة، بل إن المتخصصين الذين تم اختيارهم يتعلمون بطريقة غير إشرافية على السلاسل الزمنية المستهدفة. كما نقدم ضمانات حول قيد الخطأ المرتبط بالمدى من حيث تغطية التمثيل واستقرار الكفاءة الشرطية.

عند تقييمه عبر 16 معيارًا حقيقيًا و4 مقاييس تقييم مكملة، حقق TS-Router أفضل ترتيب وسطي بشكل عام، مما يبرز فعالية استخدام التمثيلات المدربة مسبقًا في تقدير الكفاءة واختيار المتخصصين بذكاء.

للمطورين والباحثين، الشيفرة متاحة على الرابط: [https://anonymous.4open.science/r/TS-Router-D8FF] لمزيد من الاستكشاف والتطبيق.

فما رأيكم في هذا التطبيق المبتكر لاكتشاف الانحرافات الزمنية؟ شاركونا آراءكم في التعليقات!