تشخیص ناهنجاری خود نظارت در سریهای زمانی چند متغیره با استفاده از رمزگذار ترانسفورمر | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 2، دوره 13، شماره 4 - شماره پیاپی 52، زمستان 1404، صفحه 23-39 اصل مقاله (1.07 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/ECDJ.2025.1612 | ||
| نویسندگان | ||
| فرزانه طاهری زاده1؛ ولی درهمی* 2 | ||
| 1دانشجوی دکتری ،دانشگاه یزد، یزد، ایران | ||
| 2استاد،دانشگاه یزد، یزد، ایران | ||
| چکیده | ||
| تشخیص ناهنجاری در دادههای سری زمانی چند متغیره برای کاربردهای زیادی ازجمله صنعت، پزشکی و مدیریت شهری اهمیت زیادی دارد. برای اینکه یک روش بتواند نقاط و رویدادهای ناهنجار را بهسرعت و با دقت مشخص کند، با چالشهای بزرگی مانند عدم وجود برچسبهای ناهنجاری، پیچیدگی روابط(وابستگی) زمانی و مکانی دادهها، ابعاد بالا و سرعت موردنیاز در کاربردهای مدرن روبرو است. علیرغم پیشرفتهای اخیر روشهای یادگیری عمیق برای تشخیص ناهنجاری، تنها تعداد کمی از آنها میتوانند همه این چالشها را برطرف کنند. در این مقاله از رمزگذار ترانسفورمر مبتنی بر توجه برای مدلسازی پیچیدگی زمانی و مکانی دادههای با ابعاد بالا در کمترین زمان ممکن استفاده میشود. این مدل با یادگیری خود نظارت آموزش داده میشود تا به برچسب ناهنجاریها نیازی نباشد. همچنین تابع امتیاز ناهنجاری مناسبی برای جلوگیری از تشخیص اشتباه ناهنجاری معرفیشده است. آزمایشهای گسترده بر روی 28 سرور مستقل مجموعه دادهی SMD، تأیید میکند که روش ارائهشده از اکثر روشهای پایه پیشرفته کنونی در تشخیص ناهنجاری مخصوصاً رویدادهای ناهنجار عملکرد بهتری دارد، بهطور خاص میانگین امتیاز F ترکیبی 5 درصد بهبودیافته است و زمان آموزش 15 درصد کاهش مییابد | ||
| کلیدواژهها | ||
| تابع امتیاز ناهنجاری؛ تشخیص ناهنجاری؛ رمزگذار ترانسفورمر؛ یادگیری خود نظارت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 255 تعداد دریافت فایل اصل مقاله: 122 |
||