ترجمه فارسی مقاله رونمایی از نقص ها: تجزیه و تحلیل انتقادی از اثر اولیه سازی در تشخیص ناهنجاری سری زمانی

چکیده

Deep learning for time-series anomaly detection (TSAD) has gained significant attention over the past decade. Despite the reported improvements in several papers, the practical application of these models remains limited. Recent studies have cast doubt on these models, attributing their results to flawed evaluation techniques. However, the impact of initialization has largely been overlooked. This paper provides a critical analysis of the initialization effects on TSAD model performance. Our extensive experiments reveal that TSAD models are highly sensitive to hyperparameters such as window size, seed number, and normalization. This sensitivity often leads to significant variability in performance, which can be exploited to artificially inflate the reported efficacy of these models. We demonstrate that even minor changes in initialization parameters can result in performance variations that overshadow the claimed improvements from novel model architectures. Our findings highlight the need for rigorous evaluation protocols and transparent reporting of preprocessing steps to ensure the reliability and fairness of anomaly detection methods. This paper calls for a more cautious interpretation of TSAD advancements and encourages the development of more robust and transparent evaluation practices to advance the field and its practical applications.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق برای تشخیص ناهنجاری های سری زمانی (TSAD) طی یک دهه گذشته مورد توجه قابل توجهی قرار گرفته است.با وجود پیشرفت های گزارش شده در چندین مقاله ، کاربرد عملی این مدل ها محدود است.مطالعات اخیر در این مدل ها شک کرده است و نتایج آنها را به تکنیک های ارزیابی ناقص نسبت می دهد.با این حال ، تأثیر اولیه سازی تا حد زیادی نادیده گرفته شده است.در این مقاله یک تجزیه و تحلیل انتقادی از اثرات اولیه سازی بر عملکرد مدل TSAD ارائه شده است.آزمایش های گسترده ما نشان می دهد که مدل های TSAD نسبت به هایپرپارامتری مانند اندازه پنجره ، تعداد بذر و عادی سازی بسیار حساس هستند.این حساسیت اغلب منجر به تنوع قابل توجهی در عملکرد می شود ، که می تواند برای تورم مصنوعی اثر گزارش شده از این مدل ها مورد سوء استفاده قرار گیرد.ما نشان می دهیم که حتی تغییرات جزئی در پارامترهای اولیه سازی می تواند منجر به تغییرات عملکردی شود که پیشرفت های ادعا شده از معماری های مدل جدید را تحت الشعاع قرار می دهد.یافته های ما نیاز به پروتکل های ارزیابی دقیق و گزارش شفاف مراحل پیش پردازش را برای اطمینان از قابلیت اطمینان و انصاف روش های تشخیص ناهنجاری نشان می دهد.این مقاله خواستار تفسیر محتاطانه تر از پیشرفت های TSAD و تشویق توسعه شیوه های ارزیابی قوی تر و شفاف تر برای پیشبرد زمینه و کاربردهای عملی آن است.