ترجمه فارسی مقاله تشخیص ناهنجاری بدون نظارت کارآمد ترکیبی برای شناسایی زودهنگام موارد همه‌گیری

چکیده

Unsupervised anomaly detection is a promising technique for identifying unusual patterns in data without the need for labeled training examples. This approach is particularly valuable for early case detection in epidemic management, especially when early-stage data are scarce. This research introduces a novel hybrid method for anomaly detection that combines distance and density measures, enhancing its applicability across various infectious diseases. Our method is especially relevant in pandemic situations, as demonstrated during the COVID-19 crisis, where traditional supervised classification methods fall short due to limited data. The efficacy of our method is evaluated using COVID-19 chest X-ray data, where it significantly outperforms established unsupervised techniques. It achieves an average AUC of 77.43%, surpassing the AUC of Isolation Forest at 73.66% and KNN at 52.93%. These results highlight the potential of our hybrid anomaly detection method to improve early detection capabilities in diverse epidemic scenarios, thereby facilitating more effective and timely responses.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری بدون نظارت یک روش امیدوار کننده برای شناسایی الگوهای غیرمعمول در داده ها بدون نیاز به نمونه های آموزشی برچسب است.این رویکرد به ویژه برای تشخیص موارد اولیه در مدیریت اپیدمی ، به ویژه هنگامی که داده های اولیه کمیاب هستند ، بسیار ارزشمند است.این تحقیق یک روش جدید ترکیبی برای تشخیص ناهنجاری را ارائه می دهد که ترکیبی از اندازه گیری فاصله و چگالی است و کاربرد آن را در بیماری های مختلف عفونی تقویت می کند.روش ما به ویژه در موقعیت های همه گیر ، همانطور که در طول بحران COVID-19 نشان داده شده است ، که در آن روش های طبقه بندی تحت نظارت سنتی به دلیل داده های محدود کوتاه می شوند ، اهمیت دارد.اثربخشی روش ما با استفاده از داده های اشعه ایکس قفسه سینه Covid-19 ارزیابی می شود ، جایی که به طور قابل توجهی از تکنیک های بدون نظارت استفاده می شود.این ماده به طور متوسط ​​77.43 ٪ به AUC می رسد و از AUC جنگل جداسازی در 73.66 ٪ و KNN در 52.93 ٪ پیشی می گیرد.این نتایج پتانسیل روش تشخیص ناهنجاری ترکیبی ما را برای بهبود قابلیت های تشخیص زودرس در سناریوهای اپیدمی متنوع برجسته می کند ، در نتیجه پاسخ های مؤثرتر و به موقع را تسهیل می کند.