ترجمه فارسی مقاله معیار عملکرد برای توزیع‌های امتیاز ناهنجاری چندگانه با سطوح شدت گسسته

چکیده

The rise of smart factories has heightened the demand for automated maintenance, and normal-data-based anomaly detection has proved particularly effective in environments where anomaly data are scarce. This method, which does not require anomaly data during training, has prompted researchers to focus not only on detecting anomalies but also on classifying severity levels by using anomaly scores. However, the existing performance metrics, such as the area under the receiver operating characteristic curve (AUROC), do not effectively reflect the performance of models in classifying severity levels based on anomaly scores. To address this limitation, we propose the weighted sum of the area under the receiver operating characteristic curve (WS-AUROC), which combines AUROC with a penalty for severity level differences. We conducted various experiments using different penalty assignment methods: uniform penalty regardless of severity level differences, penalty based on severity level index differences, and penalty based on actual physical quantities that cause anomalies. The latter method was the most sensitive. Additionally, we propose an anomaly detector that achieves clear separation of distributions and outperforms the ablation models on the WS-AUROC and AUROC metrics.

چکیده به فارسی (ترجمه ماشینی)

افزایش کارخانه های هوشمند تقاضا برای نگهداری خودکار را افزایش داده است ، و تشخیص ناهنجاری مبتنی بر داده های طبیعی به ویژه در محیط هایی که داده های ناهنجاری کمیاب هستند ، مؤثر بوده است.این روش ، که نیازی به داده های ناهنجاری در طول آموزش ندارد ، باعث شده است که محققان نه تنها بر تشخیص ناهنجاری ها بلکه در طبقه بندی شدت با استفاده از نمرات ناهنجاری تمرکز کنند.با این حال ، معیارهای عملکرد موجود ، مانند منطقه تحت منحنی مشخصه عامل گیرنده (AUROC) ، به طور مؤثر عملکرد مدل ها را در طبقه بندی سطح شدت بر اساس نمرات ناهنجاری منعکس نمی کند.برای پرداختن به این محدودیت ، ما مبلغ وزنی منطقه را در زیر منحنی مشخصه عامل گیرنده (WS-AUROC) پیشنهاد می کنیم ، که AUROC را با مجازات برای اختلافات در سطح شدت ترکیب می کند.ما آزمایش های مختلفی را با استفاده از روشهای مختلف واگذاری مجازات انجام دادیم: مجازات یکنواخت بدون در نظر گرفتن اختلافات در سطح شدت ، مجازات بر اساس اختلاف شاخص سطح شدت و مجازات بر اساس مقادیر جسمی واقعی که باعث ناهنجاری می شوند.روش دوم حساس ترین بود.علاوه بر این ، ما یک آشکارساز ناهنجاری پیشنهاد می کنیم که به جداسازی واضح از توزیع ها دست می یابد و از مدل های فرسایش در معیارهای WS-AUROC و AUROC بهتر عمل می کند.