ترجمه فارسی مقاله افزایش تشخیص ناهنجاری از طریق ایجاد ناهنجاری های مصنوعی متنوع و سخت قابل تشخیص

چکیده

Unsupervised anomaly detection is a daunting task, as it relies solely on normality patterns from the training data to identify unseen anomalies during testing. Recent approaches have focused on leveraging domain-specific transformations or perturbations to generate synthetic anomalies from normal samples. The objective here is to acquire insights into normality patterns by learning to differentiate between normal samples and these crafted anomalies. However, these approaches often encounter limitations when domain-specific transformations are not well-specified such as in tabular data, or when it becomes trivial to distinguish between them. To address these issues, we introduce a novel domain-agnostic method that employs a set of conditional perturbators and a discriminator. The perturbators are trained to generate input-dependent perturbations, which are subsequently utilized to construct synthetic anomalies, and the discriminator is trained to distinguish normal samples from them. We ensure that the generated anomalies are both diverse and hard to distinguish through two key strategies: i) directing perturbations to be orthogonal to each other and ii) constraining perturbations to remain in proximity to normal samples. Throughout experiments on real-world datasets, we demonstrate the superiority of our method over state-of-the-art benchmarks, which is evident not only in image data but also in tabular data, where domain-specific transformation is not readily accessible. Additionally, we empirically confirm the adaptability of our method to semi-supervised settings, demonstrating its capacity to incorporate supervised signals to enhance anomaly detection performance even further.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری بدون نظارت یک کار دلهره آور است ، زیرا فقط به الگوهای نرمال بودن از داده های آموزش متکی است تا ناهنجاری های غیب را در طول آزمایش شناسایی کند.رویکردهای اخیر بر اعمال تحولات خاص دامنه یا آشفتگی برای تولید ناهنجاری های مصنوعی از نمونه های طبیعی متمرکز شده است.هدف در اینجا به دست آوردن بینش در مورد الگوهای نرمال بودن با یادگیری تمایز بین نمونه های عادی و این ناهنجاری های ساخته شده است.با این حال ، این رویکردها غالباً با محدودیت هایی روبرو می شوند که تحولات خاص دامنه به خوبی مشخص نشده باشد مانند داده های جدولی ، یا هنگامی که برای تمایز بین آنها بی اهمیت می شود.برای پرداختن به این موضوعات ، ما یک روش جدید دامنه-آگنوستیک را معرفی می کنیم که از مجموعه ای از آشفتگان مشروط و یک تبعیض استفاده می کند.آشفتگان برای ایجاد آشفتگی های وابسته به ورودی ، که متعاقباً برای ساخت ناهنجاری های مصنوعی مورد استفاده قرار می گیرند ، آموزش داده می شوند و این تبعیض آمیز برای تشخیص نمونه های طبیعی از آنها آموزش دیده است.ما اطمینان حاصل می کنیم که ناهنجاری های تولید شده هم متنوع و هم از طریق دو استراتژی کلیدی متفاوت هستند: 1) هدایت آشفتگی ها به یکدیگر و ب) محدود کردن آشفتگی ها در مجاورت نمونه های عادی باقی می مانند.در طول آزمایشات در مجموعه داده های دنیای واقعی ، ما برتری روش خود را نسبت به معیارهای پیشرفته نشان می دهیم ، که نه تنها در داده های تصویر بلکه در داده های جدولی مشهود است ، جایی که تحول خاص دامنه به راحتی قابل دسترسی نیست.علاوه بر این ، ما به صورت تجربی سازگاری روش خود را با تنظیمات نیمه تحت نظارت تأیید می کنیم ، و توانایی آن را برای ترکیب سیگنال های نظارت شده برای تقویت عملکرد تشخیص ناهنجاری حتی بیشتر نشان می دهیم.