کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Anomaly detection (AD) has been widely studied for decades in many real-world applications, including fraud detection in finance, and intrusion detection for cybersecurity, etc. Due to the imbalanced nature between protected and unprotected groups and the imbalanced distributions of normal examples and anomalies, the learning objectives of most existing anomaly detection methods tend to solely concentrate on the dominating unprotected group. Thus, it has been recognized by many researchers about the significance of ensuring model fairness in anomaly detection. However, the existing fair anomaly detection methods tend to erroneously label most normal examples from the protected group as anomalies in the imbalanced scenario where the unprotected group is more abundant than the protected group. This phenomenon is caused by the improper design of learning objectives, which statistically focus on learning the frequent patterns (i.e., the unprotected group) while overlooking the under-represented patterns (i.e., the protected group). To address these issues, we propose FairAD, a fairness-aware anomaly detection method targeting the imbalanced scenario. It consists of a fairness-aware contrastive learning module and a rebalancing autoencoder module to ensure fairness and handle the imbalanced data issue, respectively. Moreover, we provide the theoretical analysis that shows our proposed contrastive learning regularization guarantees group fairness. Empirical studies demonstrate the effectiveness and efficiency of FairAD across multiple real-world datasets.
چکیده به فارسی (ترجمه ماشینی)
تشخیص ناهنجاری (AD) برای چندین دهه در بسیاری از کاربردهای دنیای واقعی ، از جمله تشخیص کلاهبرداری در امور مالی ، و تشخیص نفوذ برای امنیت سایبری و غیره به طور گسترده مورد مطالعه قرار گرفته است.ناهنجاری ها ، اهداف یادگیری بیشتر روشهای تشخیص ناهنجاری موجود فقط بر روی گروه غالب محافظت نشده تمرکز می کنند.بنابراین ، توسط بسیاری از محققان در مورد اهمیت اطمینان از انصاف مدل در تشخیص ناهنجاری شناخته شده است.با این حال ، روشهای تشخیص ناهنجاری منصفانه موجود تمایل دارند که به اشتباه بیشتر نمونه های عادی از گروه محافظت شده را به عنوان ناهنجاری در سناریوی عدم تعادل نشان دهند که در آن گروه محافظت نشده از گروه محافظت شده فراوان تر است.این پدیده ناشی از طراحی نادرست اهداف یادگیری است ، که از نظر آماری بر یادگیری الگوهای مکرر (یعنی گروه محافظت نشده) ضمن نادیده گرفتن الگوهای تحت نمایش (یعنی گروه محافظت شده) تمرکز می کند.برای پرداختن به این موضوعات ، ما Fairad را پیشنهاد می کنیم ، یک روش تشخیص ناهنجاری آگاهانه با هدف قرار دادن سناریوی نامتوازن.این مجموعه از یک ماژول یادگیری متضاد متضاد و یک ماژول AutoEncoder که به ترتیب تعادل می یابد تشکیل می دهد تا به ترتیب از انصاف و رسیدگی به مسئله داده های نامتوازن اطمینان حاصل شود.علاوه بر این ، ما تجزیه و تحلیل نظری را ارائه می دهیم که نشان می دهد تنظیم یادگیری متضاد متضاد ما ، انصاف گروه را تضمین می کند.مطالعات تجربی اثربخشی و کارآیی FairAD را در چندین مجموعه داده در دنیای واقعی نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
