ترجمه فارسی مقاله تشخیص ناهنجاری نهفته از طریق ماتریس چگالی

چکیده

This paper introduces a novel anomaly detection framework that combines the robust statistical principles of density-estimation-based anomaly detection methods with the representation-learning capabilities of deep learning models. The method originated from this framework is presented in two different versions: a shallow approach employing a density-estimation model based on adaptive Fourier features and density matrices, and a deep approach that integrates an autoencoder to learn a low-dimensional representation of the data. By estimating the density of new samples, both methods are able to find normality scores. The methods can be seamlessly integrated into an end-to-end architecture and optimized using gradient-based optimization techniques. To evaluate their performance, extensive experiments were conducted on various benchmark datasets. The results demonstrate that both versions of the method can achieve comparable or superior performance when compared to other state-of-the-art methods. Notably, the shallow approach performs better on datasets with fewer dimensions, while the autoencoder-based approach shows improved performance on datasets with higher dimensions.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک چارچوب تشخیص ناهنجاری جدید ارائه شده است که ترکیب اصول آماری قوی روشهای تشخیص ناهنجاری مبتنی بر چگالی و برآورد با قابلیت های یادگیری بازنمایی از مدلهای یادگیری عمیق است.روش سرچشمه گرفته از این چارچوب در دو نسخه مختلف ارائه شده است: یک رویکرد کم عمق با استفاده از یک مدل برآورد چگالی مبتنی بر ویژگی های تطبیقی ​​فوریه و ماتریس چگالی ، و یک رویکرد عمیق که یک دستگاه خودرو را برای یادگیری یک نمایش کم بعدی از داده ها ادغام می کند.با تخمین چگالی نمونه های جدید ، هر دو روش قادر به یافتن نمرات عادی هستند.این روشها می توانند یکپارچه در یک معماری نهایی به انتها ادغام شوند و با استفاده از تکنیک های بهینه سازی مبتنی بر شیب بهینه شوند.برای ارزیابی عملکرد آنها ، آزمایش های گسترده ای در مجموعه داده های معیار مختلف انجام شد.نتایج نشان می دهد که هر دو نسخه از این روش می توانند در مقایسه با سایر روشهای مدرن ، عملکرد قابل مقایسه یا برتر را بدست آورند.نکته قابل توجه ، رویکرد کم عمق در مجموعه داده ها با ابعاد کمتری عملکرد بهتری دارد ، در حالی که رویکرد مبتنی بر AutoEncoder عملکرد بهبود یافته در مجموعه داده ها با ابعاد بالاتر را نشان می دهد.