في عصر تتزايد فيه الحاجة للحفاظ على أمن وموثوقية أنظمة الخدمات المدعومة بالإنترنت للأشياء (IoT)، برزت أهمية اكتشاف الشذوذ في السلاسل الزمنية (Time Series Anomaly Detection - TSAD) كضرورة ملحة. تعاني الطرق التقليدية من قيود خطيرة، حيث تتطلب تدريب نموذج محدد لكل مجموعة بيانات، مما يحد من قدرتها على التعميم ويؤثر سلبًا على أداء الكشف في سيناريوهات متعددة.

للتغلب على هذه القيود، تم تطوير نماذج أساسية (Foundation Models) والتي تمثل إضافة واعدة، إلا أن العديد من الأساليب الحالية إما تعيد استخدام نماذج لغوية ضخمة (Large Language Models - LLMs) أو تعتمد على إنشاء مجموعات بيانات كبيرة السلاسل الزمنية لتطوير نماذج الكشف العامة، ويظل التحدي قائمًا بسبب الفجوات العميقة بين الأنماط المختلفة.

هذا المقال يقدم نظام VAN-AD، إطار عمل مبتكر يستفيد من Autoencoder بصري (Masked Autoencoder - MAE) تم تدريبه سابقًا على ImageNet ليتم تطبيقه في مهمات اكتشاف الشذوذ بالسلاسل الزمنية. غير أن نقل MAE مباشرة لا يخلو من التحديات، إذ يواجه إشكاليتين رئيسيتين: التجاوز في التعميم (Overgeneralization) والإدراك المحلي المحدود.

لمعالجة هذين التحديين، نقترح تطوير وحدة تخطيط التوزيع التكيفية (Adaptive Distribution Mapping Module - ADMM) التي تقوم بمواءمة نتائج إعادة البناء قبل وبعد MAE في فضاء إحصائي موحد لتعزيز الفروق الناتجة عن الأنماط غير الطبيعية. بالإضافة إلى ذلك، تم تصميم وحدة تدفق طبيعية (Normalizing Flow Module - NFM) المزودة بنظام MAE لتقدير كثافة الاحتمالات لنافذة البيانات الحالية ضمن التوزيع الكلي.

أظهرت التجارب الواسعة على تسع مجموعات بيانات حقيقية أن VAN-AD يتفوق باستمرار على الطرق الحالية الرائدة في هذا المجال، مما يبرز كفاءته العالية وأدائه المتفوق. للمزيد من المعلومات حول الأكواد والمجموعات البيانات التي تم استخدامها، يمكنكم زيارة [هذا الرابط](https://github.com/PenyChen/VAN-AD).

ما رأيكم في هذا الابتكار الثوري في اكتشاف الشذوذ؟ شاركونا أفكاركم في التعليقات!