اكتسبت تقنيات الكشف عن الشذوذ في الرسوم البيانية الديناميكية (Dynamic Graphs) زخماً كبيراً في السنوات الأخيرة بفضل تقنيات التعلم العميق (Deep Learning). ومع ذلك، لا تزال هذه الأنظمة تعاني من غموض النتائج التي تنتجها، مما يطرح تحديات خاصة في نظم المعلومات التي تتطلب التحقق والموثوقية. من هنا، يأتي الإطار الجديد X-AddGraph، الذي يضيف طبقة من التفسير على النموذج الأساسي AddGraph، لضمان أن تكون القرارات الآلية قابلة للتدقيق والتفسير.

الإطار X-AddGraph يعتمد على آلية مبتكرة تُعرف بتوزيع الإسناد الزماني والمكاني المزدوج (Dual Spatial-Temporal Attribution - DSTA). يتكون هذا الإطار من ثلاث مكونات رئيسية تعمل بالتوازي مع هيكلة نموذج AddGraph، حيث يقدم إسناداً معتمداً على تدرجات الشبكة (gradient-based relevance attribution) على الهيكل الحالي، وقراءة مباشرة لأوزان الانتباه السياقي (contextual attention weights) المحسوبة خلال عملية الاستدلال، بالإضافة إلى عودة التدرجات عبر الحالات المخفية (recurrent hidden states) على المديين القصير والطويل.

تجربة الإطار على مجموعة بيانات UCI Message أظهرت تحقيق نموذج AddGraph الأساس على متوسط AUC قدره 0.8705، مع قدرة X-AddGraph على إعادة إنتاج نفس النتائج مع إضافة تفسيرات كرّست مجهوليتها. وقد أظهرت التقييمات قدرة الإسناد على تحديد لحظات تاريخية تحمل إشارات مضادة مثيرة للاهتمام تفوق الاختيارات العشوائية، مما يوفر خطوة ملحوظة نحو تحسين فهم الشذوذ المستمر في الرسوم البيانية الديناميكية.

هذا التطور يفتح آفاق جديدة للباحثين والممارسين في ميدان تحليل البيانات، حيث يمكّن من تحسين شفافية الأنظمة الذكية السريعة، ويشجع على اتخاذ قرارات مبنية على معلومات موثوقة. تفضلوا بزيارة [رابط_المقال] لمتابعة المزيد حول هذا البحث الرائد. ماذا تودون معرفة المزيد عنه في تطبيقات الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.