الكشف عن الحالات الشاذة

📅 آخر تحديث: ١٧ يوليو ٢٠٢٦
✍️ نُشر في: ١٧ يوليو ٢٠٢٦
الموسوعة الحرة

في تحليل البيانات ، يُفهم اكتشاف الشذوذ (ويُشار إليه أيضًا باكتشاف القيم المتطرفة ، وأحيانًا باكتشاف الحالات الجديدة ) عمومًا على أنه تحديد العناصر أو الأحداث أو الملاحظات النادرة التي تنحرف بشكل كبير عن غالبية البيانات ولا تتوافق مع مفهوم محدد للسلوك الطبيعي. [ 1 ] قد تُثير هذه الأمثلة شكوكًا حول كونها ناتجة عن آلية مختلفة، [ 2 ] أو تبدو غير متسقة مع بقية مجموعة البيانات. [ 3 ]

يُستخدم اكتشاف الحالات الشاذة في العديد من المجالات، بما في ذلك الأمن السيبراني ، والطب ، والرؤية الآلية ، والإحصاء ، وعلم الأعصاب ، وإنفاذ القانون ، والاحتيال المالي ، على سبيل المثال لا الحصر. في البداية، كان البحث عن الحالات الشاذة يهدف إلى استبعادها أو حذفها بشكل واضح من البيانات للمساعدة في التحليل الإحصائي، كحساب المتوسط ​​أو الانحراف المعياري. كما تم استبعادها لتحسين دقة التنبؤات في نماذج مثل الانحدار الخطي، ومؤخرًا، أصبح استبعادها يُحسّن أداء خوارزميات التعلم الآلي. مع ذلك، في العديد من التطبيقات، تُعدّ الحالات الشاذة بحد ذاتها ذات أهمية، فهي تمثل الملاحظات الأكثر أهمية في مجموعة البيانات بأكملها، والتي يجب تحديدها وفصلها عن التشويش أو القيم المتطرفة غير ذات الصلة.

توجد ثلاث فئات رئيسية من تقنيات الكشف عن الحالات الشاذة: [ 1 ]

  • تتطلب تقنيات الكشف عن الشذوذ الخاضعة للإشراف مجموعة بيانات مصنفة إلى "طبيعية" و"غير طبيعية"، وتتضمن تدريب مصنف. مع ذلك، نادرًا ما يُستخدم هذا النهج في الكشف عن الشذوذ نظرًا لعدم توفر البيانات المصنفة بشكل عام، ولطبيعة عدم التوازن المتأصلة في الفئات.
  • تعتمد تقنيات الكشف عن الشذوذ شبه الخاضعة للإشراف على افتراض أن جزءًا من البيانات مصنف. قد يكون هذا أي مزيج من البيانات العادية أو الشاذة، ولكن في أغلب الأحيان، تقوم هذه التقنيات ببناء نموذج يمثل السلوك الطبيعي من مجموعة بيانات تدريبية عادية معينة ، ثم تختبر احتمالية توليد حالة اختبار بواسطة النموذج.
  • تعتمد تقنيات الكشف عن الشذوذ غير الخاضعة للإشراف على افتراض أن البيانات غير مصنفة، وهي الأكثر استخدامًا على الإطلاق نظرًا لتطبيقاتها الأوسع والأكثر صلة.

تعريف

بُذلت محاولات عديدة في أوساط الإحصاء وعلوم الحاسوب لتعريف الشذوذ. ومن أكثرها شيوعًا ما يلي، ويمكن تصنيفها إلى ثلاث مجموعات: الشذوذات الغامضة، والشذوذات الخاصة بطريقة معينة ذات عتبات محددة مسبقًا يتم اختيارها عادةً تجريبيًا، والشذوذات المحددة رسميًا:

غير محدد بشكل واضح

  • الشاذ هو ملاحظة تنحرف كثيراً عن الملاحظات الأخرى لدرجة تثير الشكوك بأنها ناتجة عن آلية مختلفة. [ 2 ]
  • الشذوذات هي حالات أو مجموعات من البيانات التي تحدث نادراً جداً في مجموعة البيانات والتي تختلف سماتها بشكل كبير عن معظم البيانات.
  • القيمة الشاذة هي ملاحظة (أو مجموعة فرعية من الملاحظات) تبدو غير متسقة مع بقية مجموعة البيانات تلك. [ 3 ]
  • الشذوذ هو نقطة أو مجموعة نقاط بعيدة نسبياً عن النقاط الأخرى في فضاء متعدد الأبعاد للميزات.
  • الشذوذات هي أنماط في البيانات لا تتوافق مع مفهوم محدد جيدًا للسلوك الطبيعي. [ 1 ]

محدد

  • لنفترض أن T هي مشاهدات من توزيع غاوسي أحادي المتغير و O نقطة من T. عندئذٍ تكون قيمة z لـ O أكبر من عتبة محددة مسبقًا إذا وفقط إذا كانت O قيمة شاذة.

تاريخ

كشف التسلل

لقد تطور مفهوم كشف الاختراقات، وهو عنصر أساسي في كشف الحالات الشاذة، بشكل ملحوظ مع مرور الوقت. في البداية، كانت عملية يدوية يقوم فيها مسؤولو النظام بمراقبة الأنشطة غير المعتادة، مثل الوصول إلى حساب مستخدم في إجازة أو نشاط طابعة غير متوقع. لم يكن هذا النهج قابلاً للتوسع، وسرعان ما تم استبداله بتحليل سجلات التدقيق وسجلات النظام بحثًا عن دلائل على سلوك ضار. [ 4 ]

بحلول أواخر السبعينيات وأوائل الثمانينيات، كان تحليل هذه السجلات يُستخدم في المقام الأول بأثر رجعي للتحقيق في الحوادث، نظرًا لأن حجم البيانات الهائل جعل المراقبة الآنية غير عملية. ومع انخفاض تكلفة التخزين الرقمي، أصبح تحليل سجلات التدقيق يتم عبر الإنترنت، حيث طُوّرت برامج متخصصة لفرز البيانات. إلا أن هذه البرامج كانت تُشغّل عادةً خلال ساعات خارج أوقات الذروة نظرًا لمتطلباتها الحاسوبية العالية. [ 4 ]

شهدت تسعينيات القرن الماضي ظهور أنظمة كشف التسلل في الوقت الفعلي، القادرة على تحليل بيانات التدقيق فور إنشائها، مما أتاح الكشف الفوري عن الهجمات والاستجابة لها. وقد مثّل هذا تحولاً هاماً نحو الكشف الاستباقي عن التسلل. [ 4 ]

مع استمرار تطور هذا المجال، تحول التركيز إلى ابتكار حلول يمكن تطبيقها بكفاءة عبر بيئات الشبكات الكبيرة والمعقدة، والتكيف مع التنوع المتزايد باستمرار للتهديدات الأمنية والطبيعة الديناميكية للبنى التحتية الحاسوبية الحديثة. [ 4 ]

التطبيقات

يُعدّ اكتشاف الشذوذ مجالًا واسعًا ومتنوعًا للغاية، وهو فرع مهم من فروع التعلّم الآلي غير الخاضع للإشراف. ولذلك، له تطبيقات في الأمن السيبراني، واكتشاف الاختراقات ، وكشف الاحتيال ، واكتشاف الأعطال، ومراقبة سلامة الأنظمة، واكتشاف الأحداث في شبكات الاستشعار، واكتشاف اضطرابات النظم البيئية، واكتشاف العيوب في الصور باستخدام رؤية الآلة ، والتشخيص الطبي، وإنفاذ القانون. [ 5 ]

كشف التسلل

اقترحت دوروثي دينينغ في عام 1986 مفهوم كشف الشذوذ لأنظمة كشف التسلل (IDS). [ 6 ] ويتم كشف الشذوذ في أنظمة كشف التسلل عادةً باستخدام العتبات والإحصاءات، ولكن يمكن أيضًا القيام بذلك باستخدام الحوسبة المرنة والتعلم الاستقرائي. [ 7 ] وشملت أنواع الميزات المقترحة بحلول عام 1999 ملفات تعريف المستخدمين، ومحطات العمل، والشبكات، والمضيفين البعيدين، ومجموعات المستخدمين، والبرامج، وذلك بناءً على التكرارات، والمتوسطات، والتباينات، والتباينات المشتركة، والانحرافات المعيارية. [ 8 ] ويُعد كشف إساءة الاستخدام نظيرًا لكشف الشذوذ في أنظمة كشف التسلل .

كشف الاحتيال في مجال التكنولوجيا المالية

يُعدّ اكتشاف الحالات الشاذة أمراً بالغ الأهمية في مجال التكنولوجيا المالية لمنع الاحتيال . [ 9 ] [ 10 ]

المعالجة المسبقة

تُعدّ معالجة البيانات مسبقًا لإزالة القيم الشاذة خطوةً مهمةً في تحليل البيانات، وتُجرى لعدة أسباب. إذ تصبح الإحصاءات، كالمتوسط ​​والانحراف المعياري، أكثر دقةً بعد إزالة القيم الشاذة، كما يُمكن تحسين عرض البيانات بصريًا. في التعلّم الخاضع للإشراف ، غالبًا ما تُؤدي إزالة البيانات الشاذة من مجموعة البيانات إلى زيادةٍ ذات دلالة إحصائية في الدقة. [ 11 ] [ 12 ]

المراقبة بالفيديو

أصبح اكتشاف الحالات الشاذة ذا أهمية متزايدة في أنظمة المراقبة بالفيديو لتعزيز الأمن والسلامة. [ 13 ] [ 14 ] مع ظهور تقنيات التعلم العميق، أظهرت الأساليب التي تستخدم الشبكات العصبية الالتفافية (CNNs) ووحدات التكرار البسيطة (SRUs) إمكانات واعدة في تحديد الأنشطة أو السلوكيات غير المعتادة في بيانات الفيديو. [ 13 ] تستطيع هذه النماذج معالجة وتحليل كميات كبيرة من مقاطع الفيديو في الوقت الفعلي، والتعرف على الأنماط الخارجة عن المألوف، والتي قد تشير إلى تهديدات أمنية محتملة أو انتهاكات للسلامة. [ 13 ] يُعد تطوير أطر عمل قابلة للتوسع في الوقت الفعلي جانبًا مهمًا في أنظمة المراقبة بالفيديو. [ 15 ] [ 16 ] وتُعد هذه الأطر ضرورية لمعالجة تدفقات الفيديو المتعددة بموارد حاسوبية محدودة.

البنية التحتية لتكنولوجيا المعلومات

في إدارة البنية التحتية لتكنولوجيا المعلومات ، يُعدّ اكتشاف الحالات الشاذة أمرًا بالغ الأهمية لضمان سلاسة تشغيل الخدمات وموثوقيتها. [ 17 ] فهذه أنظمة معقدة ، تتألف من العديد من العناصر التفاعلية وكميات هائلة من البيانات، مما يتطلب أساليب لمعالجة هذه البيانات وتحويلها إلى صيغة قابلة للفهم البشري والآلي. [ 18 ] تُستخدم تقنيات مثل مكتبة البنية التحتية لتكنولوجيا المعلومات (ITIL) وأطر المراقبة لتتبع أداء النظام وتجربة المستخدم وإدارتهما. [ 17 ] ويمكن أن تساعد الحالات الشاذة المكتشفة في تحديد حالات التدهور المحتملة في الأداء أو أعطال النظام واستباقها، وبالتالي الحفاظ على الإنتاجية وفعالية عمليات الأعمال. [ 17 ]

أنظمة إنترنت الأشياء

يُعدّ اكتشاف الحالات الشاذة أمرًا بالغ الأهمية لأمن وكفاءة أنظمة إنترنت الأشياء (IoT). [ 19 ] فهو يُساعد في تحديد أعطال النظام والاختراقات الأمنية في الشبكات المعقدة لأجهزة إنترنت الأشياء. [ 19 ] يجب أن تُدير هذه الأساليب البيانات الآنية، وأنواع الأجهزة المتنوعة، وأن تكون قابلة للتوسع بفعالية. وقد قدّم غارغ وآخرون [ 20 ] إطار عمل متعدد المراحل لاكتشاف الحالات الشاذة، يُحسّن الأساليب التقليدية من خلال دمج التجميع المكاني، والتجميع القائم على الكثافة، والتجزئة الحساسة للموقع. صُمّم هذا النهج المُخصّص للتعامل بشكل أفضل مع الطبيعة الواسعة والمتنوعة لبيانات إنترنت الأشياء، وبالتالي تعزيز الأمن والموثوقية التشغيلية في البنية التحتية الذكية وأنظمة إنترنت الأشياء الصناعية. [ 20 ]

صناعة البترول

يُعدّ اكتشاف الحالات الشاذة أمرًا بالغ الأهمية في صناعة النفط لمراقبة الآلات الحيوية. [ 21 ] اقترحت ورقة بحثية نُشرت عام 2015 خوارزمية تجزئة جديدة باستخدام آلات المتجهات الداعمة لتحليل بيانات المستشعرات من أجل اكتشاف الحالات الشاذة في الوقت الفعلي. [ 21 ]

مراقبة خطوط أنابيب النفط والغاز

في قطاع النفط والغاز، لا يُعدّ اكتشاف الأعطال أمرًا بالغ الأهمية للصيانة والسلامة فحسب، بل لحماية البيئة أيضًا. [ 22 ] يقترح الجميل وآخرون نموذجًا متطورًا قائمًا على التعلّم الآلي لاكتشاف التسريبات الطفيفة في خطوط أنابيب النفط والغاز، وهي مهمة قد تغفل عنها الطرق التقليدية. [ 22 ]

طُرق

طُرحت العديد من تقنيات كشف الشذوذ في الأدبيات العلمية. [ 1 ] [ 23 ] يعتمد أداء هذه الطرق عادةً على مجموعات البيانات. على سبيل المثال، قد تكون بعضها مناسبة لكشف القيم الشاذة المحلية، بينما تكون أخرى مناسبة لكشف القيم الشاذة العالمية، ولا تتمتع بعض الطرق بمزايا منهجية تُذكر على غيرها عند مقارنتها عبر العديد من مجموعات البيانات. [ 24 ] [ 25 ] تتطلب جميع الخوارزميات تقريبًا ضبط معايير غير بديهية بالغة الأهمية للأداء، وعادةً ما تكون غير معروفة قبل التطبيق. فيما يلي بعض التقنيات الشائعة، مصنفة ضمن فئات:

إحصائي

بدون معلمات

تُعرف هذه الطريقة أيضًا باسم الطريقة القائمة على التردد أو القائمة على العد، وهي أبسط طريقة غير بارامترية للكشف عن الشذوذ، وتتمثل في إنشاء مدرج تكراري باستخدام بيانات التدريب أو مجموعة من الحالات الطبيعية المعروفة، وإذا لم تقع نقطة اختبار في أي من خانات المدرج التكراري، يتم تصنيفها على أنها شاذة، أو يتم تعيين درجة شذوذ لبيانات الاختبار بناءً على ارتفاع الخانة التي تقع فيها. [ 1 ] يُعد حجم الخانات أمرًا أساسيًا لفعالية هذه التقنية، ولكن يجب على المُنفذ تحديده.

تستخدم تقنية أكثر تطوراً دوال النواة لتقريب توزيع البيانات الطبيعية. وتُعتبر الحالات الموجودة في مناطق الاحتمالية المنخفضة من التوزيع حالات شاذة. [ 26 ]

قائم على المعلمات

كثافة

الشبكات العصبية

  • الشبكات العصبية المتكررة ، [ 39 ] المشفرات التلقائية ، المشفرات التلقائية المتغيرة، [ 40 ] الشبكات العصبية للذاكرة طويلة المدى [ 41 ]
  • الشبكات البايزية [ 39 ]
  • نماذج ماركوف المخفية (HMMs) [ 39 ]
  • محدد التغاير الأدنى [ 42 ] [ 43 ]
  • التعلم العميق [ 13 ]
    • الشبكات العصبية الالتفافية (CNNs): أظهرت الشبكات العصبية الالتفافية أداءً استثنائيًا في مجال التعلم غير الخاضع للإشراف للكشف عن الحالات الشاذة، لا سيما في تحليل بيانات الصور والفيديو. [ 13 ] إن قدرتها على التعلم التلقائي والهرمي للتسلسلات المكانية للميزات من الأنماط منخفضة المستوى إلى الأنماط عالية المستوى تجعلها مناسبة بشكل خاص للكشف عن الحالات الشاذة المرئية. على سبيل المثال، يمكن تدريب الشبكات العصبية الالتفافية على مجموعات بيانات الصور لتحديد الأنماط غير النمطية التي تشير إلى وجود عيوب أو حالات خارجة عن المألوف في سيناريوهات مراقبة الجودة الصناعية. [ 44 ]
    • وحدات التكرار البسيطة (SRUs): في بيانات السلاسل الزمنية، تُستخدم وحدات التكرار البسيطة، وهي نوع من الشبكات العصبية المتكررة، بفعالية للكشف عن الحالات الشاذة من خلال رصد التبعيات الزمنية وشذوذ التسلسل. [ 13 ] على عكس الشبكات العصبية المتكررة التقليدية، صُممت وحدات التكرار البسيطة لتكون أسرع وأكثر قابلية للتوازي، مما يوفر ملاءمة أفضل للكشف عن الحالات الشاذة في الوقت الفعلي في الأنظمة المعقدة مثل الأسواق المالية الديناميكية أو الصيانة التنبؤية في الآلات، حيث يُعد تحديد المخالفات الزمنية بسرعة أمرًا بالغ الأهمية. [ 45 ]
    • نماذج الأساس : منذ ظهور نماذج الأساس واسعة النطاق التي استُخدمت بنجاح في معظم المهام اللاحقة، جرى تكييفها أيضًا للاستخدام في كشف الشذوذ وتجزئة الصور. تشمل الطرق التي تستخدم نماذج الأساس المدربة مسبقًا استخدام محاذاة تضمينات الصور والنصوص (CLIP، وما إلى ذلك) لتحديد موقع الشذوذ، [ 46 ] بينما قد تستخدم طرق أخرى قدرة نماذج الصور التوليدية على ترميم الصور لكشف الشذوذ بناءً على خطأ إعادة البناء. [ 47 ]

قائم على التجميع

الفرق الموسيقية

الكم

تمّ استكشاف أساليب التعلّم الآلي الكمومي للكشف عن الحالات الشاذة على أجهزة كمومية قريبة المدى. وقد طُبّقت آلات المتجهات الداعمة الكمومية (QSVMs) باستخدام طرق النواة الكمومية، مثل ZZFeatureMap، لتصنيف الحالات الطبيعية مقابل الحالات الشاذة من خلال الاستفادة من فضاءات الميزات الكمومية عالية الأبعاد. [ 56 ] [ 57 ]

آحرون

تستخدم طريقة حساب القيم الشاذة القائمة على المدرج التكراري (HBOS) المدرجات التكرارية للقيم وتفترض استقلال الميزات من أجل التنبؤات السريعة. [ 58 ]

الكشف عن الحالات الشاذة في الشبكات الديناميكية

تخضع الشبكات الديناميكية، مثل تلك التي تمثل الأنظمة المالية وتفاعلات وسائل التواصل الاجتماعي والبنية التحتية للنقل، لتغيرات مستمرة، مما يجعل اكتشاف الشذوذ فيها مهمة معقدة. وعلى عكس الرسوم البيانية الثابتة، تعكس الشبكات الديناميكية العلاقات والحالات المتطورة، مما يتطلب تقنيات تكيفية لاكتشاف الشذوذ.

أنواع الشذوذ في الشبكات الديناميكية

  1. شذوذات المجتمع
  2. شذوذات الضغط
  3. شذوذ التحلل
  4. شذوذ المسافة
  5. شذوذ النموذج الاحتمالي

الكشف عن الحالات الشاذة القابلة للتفسير

تُنتج العديد من الطرق المذكورة أعلاه تنبؤًا بدرجة الشذوذ فقط، والذي يُمكن شرحه للمستخدمين غالبًا على أنه وجود النقطة في منطقة ذات كثافة بيانات منخفضة (أو كثافة منخفضة نسبيًا مقارنةً بكثافة النقاط المجاورة). في الذكاء الاصطناعي القابل للتفسير ، يطالب المستخدمون بطرق ذات قابلية تفسير أعلى. تسمح بعض الطرق بتقديم شروحات أكثر تفصيلًا.

  • تحدد درجة الشذوذ في الفضاء الفرعي (SOD) [ 34 ] السمات التي تكون فيها العينة طبيعية، والسمات التي تنحرف فيها العينة عن المتوقع.
  • احتمالات الارتباط الشاذة (COP) [ 35 ] تحسب متجه خطأ لكيفية انحراف نقطة العينة عن الموقع المتوقع، والذي يمكن تفسيره على أنه تفسير مضاد للواقع: ستكون العينة طبيعية إذا تم نقلها إلى ذلك الموقع.

برمجة

  • ELKI هي مجموعة أدوات مفتوحة المصدر لاستخراج البيانات مكتوبة بلغة جافا، وتحتوي على العديد من خوارزميات الكشف عن الشذوذ، بالإضافة إلى تسريع الفهرسة لها.
  • PyOD هي مكتبة بايثون مفتوحة المصدر تم تطويرها خصيصًا لاكتشاف الحالات الشاذة. [ 59 ]
  • مكتبة scikit-learn هي مكتبة بايثون مفتوحة المصدر تحتوي على بعض الخوارزميات للكشف عن الحالات الشاذة غير الخاضعة للإشراف.
  • يوفر برنامج Wolfram Mathematica وظائف للكشف عن الحالات الشاذة غير الخاضعة للإشراف عبر أنواع متعددة من البيانات [ 60 ].

مجموعات البيانات

انظر أيضاً

مراجع

  1. 1 2 3 4 5 تشاندولا، ف.؛ بانيرجي، أ.؛ كومار، ف. (2009). "الكشف عن الشذوذ: دراسة استقصائية". مجلة ACM Computing Surveys . 41 (3): 1–58 . doi : 10.1145/1541880.1541882 . S2CID 207172599 . 
  2. 1 2 هوكينز، دوغلاس م. (1980). تحديد القيم الشاذة . سبرينغر. ISBN 978-0-412-21900-9. OCLC 6912274 . 
  3. 1 2 بارنيت، فيك؛ لويس، لويس (1978). القيم المتطرفة في البيانات الإحصائية . وايلي. ISBN 978-0-471-99599-9. OCLC 1150938591 . 
  4. 1 2 3 4 كيميرر، ر. أ.؛ فيجنا، ج. (أبريل 2002). "كشف الاختراقات: تاريخ موجز ونظرة عامة". مجلة الكمبيوتر . 35 (4): ملحق 27- ملحق 30. doi : 10.1109/mc.2002.1012428 . ISSN 0018-9162 . 
  5. ↑ أغاروال، شارو (2017). تحليل القيم الشاذة . شركة سبرينغر للنشر. ISBN 978-3-319-47577-6.
  6. ↑ دينينغ، دي إي (1987). "نموذج لكشف الاختراقات" ( ملف PDF) . معاملات IEEE في هندسة البرمجيات . SE-13 (2): 222–232 . CiteSeerX 10.1.1.102.5127 . doi : 10.1109/TSE.1987.232894 . S2CID 10028835. مؤرشف (ملف PDF) من الأصل في 22 يونيو 2015.  
  7. ↑ تينغ، إتش إس؛ تشين، ك؛ لو، إس سي (1990). "الكشف التكيفي عن الشذوذ في الوقت الحقيقي باستخدام الأنماط التسلسلية المولدة استقرائيًا". وقائع ندوة جمعية مهندسي الكهرباء والإلكترونيات (IEEE) لعام 1990 حول البحث في الأمن والخصوصية (ملف PDF) . الصفحات 278-284 . doi : 10.1109/RISP.1990.63857 . ISBN  978-0-8186-2060-7. S2CID 35632142 . 
  8. ↑ جونز، أنيتا ك.؛ سيلكن، روبرت س. (2000). "كشف اختراق أنظمة الحاسوب: دراسة استقصائية" . تقرير فني في علوم الحاسوب . قسم علوم الحاسوب، جامعة فرجينيا: 1-25 .
  9. ↑ ستويانوفيتش، برانكا؛ بوزيتش، يوسيب؛ هوفر-شميتز، كاتارينا؛ ناهرغانغ، كاي؛ ويبر، أندرياس؛ بادي، عطا؛ سوندارام، ماهيشكومار؛ جوردان، إليوت؛ رونيفيتش، جويل (يناير 2021). "تتبع الأثر: التعلم الآلي لكشف الاحتيال في تطبيقات التكنولوجيا المالية" . مجلة Sensors . 21 (5): 1594. Bibcode : 2021Senso..21.1594S . doi : 10.3390/s21051594 . ISSN 1424-8220 . PMC 7956727. PMID 33668773 .   
  10. ↑ أحمد، محيي الدين؛ محمود، عبد الناصر؛ إسلام، محمد رفيق (فبراير 2016). "دراسة استقصائية لتقنيات كشف الشذوذ في المجال المالي". أنظمة حاسوب الجيل القادم . 55 : 278-288 . doi : 10.1016/j.future.2015.01.001 . ISSN 0167-739X . S2CID 204982937 .  
  11. ↑ توميك، إيفان (1976). "تجربة مع قاعدة الجوار الأقرب المعدلة". معاملات IEEE في الأنظمة والإنسان وعلم التحكم الآلي . 6 (6): 448-452 . doi : 10.1109/TSMC.1976.4309523 .
  12. ↑ سميث، إم آر؛ مارتينيز، تي. (2011). "تحسين دقة التصنيف من خلال تحديد وإزالة الحالات التي ينبغي تصنيفها بشكل خاطئ" (ملف PDF) . المؤتمر الدولي المشترك لعام 2011 حول الشبكات العصبية . ص 2690. CiteSeerX 10.1.1.221.1371 . doi : 10.1109/IJCNN.2011.6033571 . ISBN   978-1-4244-9635-8. S2CID 5809822 . 
  13. 1 2 3 4 5 6 قاسم، مريم؛ فردو، إيلينا (2023-06-01). "نظام كشف الشذوذ في الفيديو باستخدام نماذج الالتفاف العميق والتكرارية" . نتائج في الهندسة . 18 101026. doi : 10.1016/j.rineng.2023.101026 . ISSN 2590-1230 . S2CID 257728239 .  
  14. ↑ تشانغ، تان؛ تشودري، أكانكشا؛ باهل، بارامفير (فيكتور)؛ جاميسون، كايل؛ بانيرجي، سومان (2015-09-07). "تصميم وتنفيذ نظام مراقبة فيديو لاسلكي" . وقائع المؤتمر الدولي السنوي الحادي والعشرين للحوسبة المتنقلة والشبكات . موبيكوم 2015. نيويورك، نيويورك، الولايات المتحدة الأمريكية: رابطة آلات الحوسبة. الصفحات 426-438 . doi : 10.1145/2789168.2790123 . ISBN  978-1-4503-3619-2. S2CID 12310150 . 
  15. ↑ بارك، تشايوون؛ تشو، ميونغ آه؛ لي، مينهيوك؛ لي، سانغيون (2022). "FastAno: الكشف السريع عن الحالات الشاذة عبر تحويل الرقعة المكانية-الزمانية". المؤتمر الشتوي لعام 2022 لتطبيقات رؤية الحاسوب (WACV) التابع لمعهد مهندسي الكهرباء والإلكترونيات/مؤسسة رؤية الحاسوب. معهد مهندسي الكهرباء والإلكترونيات. الصفحات 1908-1918 . arXiv : 2106.08613 . doi : 10.1109/WACV51458.2022.00197 . ISBN  978-1-6654-0915-5.
  16. ^ ريستيا، نيكولاي كاتالين؛ كرويتورو، فلورينل-ألين؛ إيونيسكو، رادو تيودور؛ بوبيسكو، ماريوس؛ خان، فهد شهباز؛ شاه مبارك (2024-06-16). “أجهزة التشفير التلقائي المقطرة ذاتيًا هي أدوات فعالة للكشف عن شذوذ الفيديو”. مؤتمر IEEE/CVF لعام 2024 حول الرؤية الحاسوبية والتعرف على الأنماط (CVPR) . IEEE. ص 15984 – 15995. أرخايف : 2306.12041 . دوى : 10.1109/CVPR52733.2024.01513 . رقم ISBN  979-8-3503-5300-6.
  17. 1 2 3 غاو، ريتشارد؛ رابحي، فتحي أ.؛ فينوجوبال، سريكومار (2018). "الكشف عن الشذوذ في أنظمة التطبيقات المعقدة في العالم الحقيقي". معاملات IEEE في إدارة الشبكات والخدمات . 15 (1): 83-96 . Bibcode : 2018ITNSM..15...83G . doi : 10.1109/TNSM.2017.2771403 . hdl : 1959.4/unsworks_73660 . S2CID 3883483 . 
  18. ↑ هيريرا، مانويل؛ بروسيلكوف، يانيف؛ بيريز-هيرنانديز، ماركو؛ كومار بارليكاد، أجيث (يناير 2021). "استخراج البيانات من سلاسل زمنية باستخدام تحويل فورييه البياني للكشف عن الشذوذ في حركة مرور الإنترنت في الشبكات الأساسية وشبكات المترو" . IEEE Access . 9 : 8997-9011 . Bibcode : 2021IEEEA...9.8997H . doi : 10.1109/ACCESS.2021.3050014 . ISSN 2169-3536 . 
  19. 1 2 تشاتيرجي، أيان؛ أحمد، بيستون س. (أغسطس 2022). "أساليب وتطبيقات الكشف عن الشذوذ في إنترنت الأشياء: دراسة استقصائية" . إنترنت الأشياء . 19 100568. arXiv : 2207.09092 . doi : 10.1016/j.iot.2022.100568 . ISSN 2542-6605 . S2CID 250644468 .  
  20. 1 2 غارغ، ساهيل؛ كور، كولجيت؛ باترا، شاليني؛ كادوم، جورج؛ كومار، نيراج؛ بوكرش، عز الدين (2020-03-01). "مخطط متعدد المراحل للكشف عن الحالات الشاذة لتعزيز الأمن في تطبيقات إنترنت الأشياء" . أنظمة حاسوب الجيل القادم . 104 : 105-118 . doi : 10.1016/j.future.2019.09.038 . ISSN 0167-739X . S2CID 204077191 .  
  21. 1 2 مارتي، لويس؛ سانشيز-بي، نايات؛ مولينا، خوسيه مانويل؛ غارسيا، آنا كريستينا بيشارا (فبراير 2015). "الكشف عن الحالات الشاذة باستخدام بيانات المستشعرات في تطبيقات صناعة البترول" . مجلة المستشعرات . 15 (2): 2774-2797 . Bibcode : 2015Senso..15.2774M . doi : 10.3390/s150202774 . ISSN 1424-8220 . PMC 4367333. PMID 25633599 .   
  22. ١ ٢ الجميل، سميح س.؛ العمري، دوريه م.؛ إسماعيل، شذا؛ خواهر، فاطمة؛ الخضير، الجوهرة أ.؛ الجبران، فاطمة؛ الزنان، رزان م. (أغسطس ٢٠٢٢). "نموذج للكشف عن الشذوذ في خطوط أنابيب النفط والغاز باستخدام التعلم الآلي" . الحوسبة . ١٠ (٨): ١٣٨. doi : 10.3390/computation10080138 . ISSN 2079-3197 . 
  23. ↑ زيمك، آرثر ؛ فيلموسر، بيتر (2018). "ذهابًا وإيابًا: الكشف عن القيم الشاذة بين الاستدلال الإحصائي وخوارزميات استخراج البيانات" (ملف PDF) . مراجعات وايلي متعددة التخصصات: استخراج البيانات واكتشاف المعرفة . 8 (6) e1280. doi : 10.1002/widm.1280 . ISSN 1942-4787 . S2CID 53305944. مؤرشف من الأصل (ملف PDF) بتاريخ 14 نوفمبر 2021. تم الاطلاع عليه بتاريخ 9 ديسمبر 2019 .  
  24. ↑ كامبوس، غيلهيرمي أو.؛ ​​زيميك، آرثر ؛ ساندر، يورغ؛ كامبيلو، ريكاردو جيه جي بي؛ ميسينكوفا، باربورا؛ شوبرت، إريك ؛ أسنت، إيرا؛ هول، مايكل إي. (2016). "حول تقييم الكشف غير الخاضع للإشراف عن القيم الشاذة: المقاييس، ومجموعات البيانات، ودراسة تجريبية". استخراج البيانات واكتشاف المعرفة . 30 (4): 891. doi : 10.1007/s10618-015-0444-8 . ISSN 1384-5810 . S2CID 1952214 .  
  25. ↑ مستودع بيانات معيارية للكشف عن الشذوذ في جامعة لودفيج ماكسيميليان في ميونيخ ؛ نسخة مؤرشفة بتاريخ 2022-03-31 في Wayback Machine في جامعة ساو باولو .
  26. ↑ تشاندولا، فارون؛ بانيرجي، أريندام؛ كومار، فيبين (30 يوليو 2009). "الكشف عن الشذوذ: دراسة استقصائية" . مجلة ACM للحوسبة . 41 (3): 15:1–15:58. doi : 10.1145/1541880.1541882 . ISSN 0360-0300 . 
  27. ↑ كنور، إي إم؛ نغ، آر تي؛ توكاكوف، في. (2000). "القيم الشاذة القائمة على المسافة: الخوارزميات والتطبيقات". مجلة VLDB، المجلة الدولية لقواعد البيانات الضخمة جدًا . 8 ( 3-4 ): 237-253 . CiteSeerX 10.1.1.43.1842 . doi : 10.1007/s007780050006 . S2CID 11707259 .  
  28. ↑ راماسوامي، س.؛ راستوجي، ر.؛ شيم، ك. (2000). خوارزميات فعالة لاستخراج القيم الشاذة من مجموعات البيانات الكبيرة . وقائع مؤتمر ACM SIGMOD الدولي لإدارة البيانات لعام 2000 - SIGMOD '00. ص 427. doi : 10.1145/342009.335437 . ISBN  1-58113-217-4.
  29. ↑ أنجيولي، ف.؛ بيتزوتي، س. (2002). الكشف السريع عن القيم الشاذة في الفضاءات عالية الأبعاد . مبادئ استخراج البيانات واكتشاف المعرفة. سلسلة محاضرات في علوم الحاسوب. المجلد 2431. ص 15. doi : 10.1007/3-540-45681-3_2 . ISBN   978-3-540-44037-6.
  30. ↑ برونينغ، م.م.؛ كريغل، هـ.-ب .؛ نغ، ر.ت.؛ ساندر، ج. (2000). LOF: تحديد القيم الشاذة المحلية القائمة على الكثافة (ملف PDF) . وقائع مؤتمر ACM SIGMOD الدولي لإدارة البيانات لعام 2000. SIGMOD . الصفحات 93-104 . doi : 10.1145/335191.335388 . ISBN  1-58113-217-4.
  31. ↑ ليو، فاي توني؛ تينغ، كاي مينغ؛ تشو، تشي هوا (ديسمبر 2008). "غابة العزل". المؤتمر الدولي الثامن لجمعية مهندسي الكهرباء والإلكترونيات (IEEE) حول استخراج البيانات ، 2008. الصفحات 413-422 . doi : 10.1109/ICDM.2008.17 . ISBN  978-0-7695-3502-9. S2CID 6505449 . 
  32. ↑ ليو، فاي توني؛ تينغ، كاي مينغ؛ تشو، تشي هوا (مارس 2012). "الكشف عن الشذوذ القائم على العزل" . معاملات ACM لاكتشاف المعرفة من البيانات . 6 (1): 1-39 . doi : 10.1145/2133360.2133363 . S2CID 207193045 . 
  33. ↑ شوبرت، إي .؛ زيمك، أ .؛ كريغل، هـ. -ب. (2012). "إعادة النظر في الكشف عن القيم الشاذة المحلية: نظرة معممة على المحلية مع تطبيقات للكشف عن القيم الشاذة المكانية والفيديو والشبكية". استخراج البيانات واكتشاف المعرفة . 28 : 190-237 . doi : 10.1007/s10618-012-0300-z . S2CID 19036098 . 
  34. 1 2 كريجل، إتش بي ؛ كروجر، بي؛ شوبرت، إي ؛ زيمك، إيه (2009). الكشف عن القيم الشاذة في الفضاءات الفرعية المتوازية للمحاور للبيانات عالية الأبعاد . التقدم في اكتشاف المعرفة واستخراج البيانات. سلسلة محاضرات في علوم الحاسوب. المجلد 5476. ص 831. doi : 10.1007/978-3-642-01307-2_86 . ISBN   978-3-642-01306-5.
  35. 1 2 كريجل، إتش بي ؛ كروجر، بي؛ شوبرت، إي ؛ زيمك، إيه (2012). اكتشاف القيم الشاذة في الفضاءات الفرعية ذات التوجه العشوائي . المؤتمر الدولي الثاني عشر لـ IEEE حول استخراج البيانات، 2012. ص 379. doi : 10.1109/ICDM.2012.21 . ISBN  978-1-4673-4649-8.
  36. ↑ فانائي-ت، ح.؛ غاما، ج. (2016). "الكشف عن الشذوذ باستخدام الموترات: دراسة متعددة التخصصات" . أنظمة قائمة على المعرفة . 98 : 130-147 . doi : 10.1016/j.knosys.2016.01.027 . S2CID 16368060 . 
  37. ↑ زيمك، أ .؛ شوبرت، إ .؛ كريغل، هـ.-ب. (2012). "دراسة استقصائية حول الكشف غير الخاضع للإشراف عن القيم الشاذة في البيانات العددية عالية الأبعاد". التحليل الإحصائي واستخراج البيانات . 5 (5): 363-387 . doi : 10.1002/sam.11161 . S2CID 6724536 . 
  38. ↑ شولكوف، ب .؛ بلات، ج. س.؛ شاو-تايلور، ج.؛ سمولا، أ. ج.؛ ويليامسون، ر. س. (2001). " تقدير نطاق التوزيع عالي الأبعاد". الحوسبة العصبية . 13 (7): 1443-1471 . CiteSeerX 10.1.1.4.4106 . doi : 10.1162/089976601750264965 . PMID 11440593. S2CID 2110475 .   
  39. 1 2 3 هوكينز، سيمون؛ هي، هونغشينغ؛ ويليامز، غراهام؛ باكستر، روهان (2002). "الكشف عن القيم الشاذة باستخدام الشبكات العصبية المتكررة". تخزين البيانات واكتشاف المعرفة . سلسلة محاضرات في علوم الحاسوب. المجلد 2454. الصفحات 170-180 . CiteSeerX 10.1.1.12.3366 . doi : 10.1007/3-540-46145-0_17 . ISBN    978-3-540-44123-6. S2CID 6436930 . 
  40. ↑ آن، ج.؛ تشو، س. (2015). "الكشف عن الشذوذ باستخدام احتمالية إعادة البناء بناءً على المشفر التلقائي المتغير" (ملف PDF) . محاضرة خاصة حول هندسة المعلومات . 2 (1): 1-18 . SNUDM-TR-2015-03.
  41. ↑ مالهوترا، بانكاج؛ فيج، لوفكيش؛ شروف، جوتمان؛ أغاروال، بونيت (22-24 أبريل 2015). شبكات الذاكرة طويلة المدى للكشف عن الشذوذ في السلاسل الزمنية . ESANN 2015: الندوة الأوروبية الثالثة والعشرون حول الشبكات العصبية الاصطناعية والذكاء الحسابي والتعلم الآلي. الصفحات 89-94 . ISBN  978-2-87587-015-5.
  42. ↑ هوبرت، ميا ؛ ديبروين، ميشيل؛ روسيو، بيتر ج. (2018). "محدد التباين الأدنى وامتداداته" . إحصاءات WIREs الحاسوبية . 10 (3) e1421. arXiv : 1709.07045 . doi : 10.1002/wics.1421 . ISSN 1939-5108 . S2CID 67227041 .  
  43. ↑ هوبرت، ميا ؛ ديبروين، ميشيل (2010). "محدد التباين الأدنى" . إحصاءات WIREs الحاسوبية . 2 (1): 36-43 . doi : 10.1002/wics.61 . ISSN 1939-0068 . S2CID 123086172 .  
  44. ↑ الزبيدي، ليث؛ تشانغ، جينغلان؛ حميدي، أمجد ج.؛ الدجيلي، عياد؛ دوان، يي؛ الشمة، عمران؛ سانتاماريا، ج.؛ فاضل، محمد أ.؛ العامدي، مثنى؛ فرحان، ليث (31 مارس 2021). "مراجعة للتعلم العميق: المفاهيم، وبنى الشبكات العصبية التلافيفية، والتحديات، والتطبيقات، والاتجاهات المستقبلية" . مجلة البيانات الضخمة . 8 (1): 53. doi : 10.1186/s40537-021-00444-8 . ISSN 2196-1115 . PMC 8010506. PMID 33816053 .   
  45. ↑ بيلاي، محمد أياليو؛ بلاكسيث، سيندر ستينين؛ رشيد، عادل؛ سالفو روسي، بييرلويجي (يناير 2023). "الكشف غير الخاضع للإشراف عن الشذوذ في السلاسل الزمنية متعددة المتغيرات القائمة على إنترنت الأشياء: الحلول الحالية، وتحليل الأداء، والاتجاهات المستقبلية" . مجلة Sensors . 23 (5): 2844. Bibcode : 2023Senso..23.2844B . doi : 10.3390/s23052844 . ISSN 1424-8220 . PMC 10007300. PMID 36905048 .   
  46. ↑ جيونغ، جونغهيون؛ زو، يانغ؛ كيم، تايوان؛ تشانغ، دونغتشينغ؛ رافيشاندرا، أفيناش؛ دابير، أونكار (يونيو 2023). "WinCLIP: تصنيف وتجزئة الشذوذ باستخدام عدد قليل من الأمثلة" . مؤتمر IEEE/CVF لعام 2023 حول رؤية الحاسوب والتعرف على الأنماط (CVPR) . IEEE. الصفحات 19606-19616 . arXiv : 2303.14814 . doi : 10.1109/cvpr52729.2023.01878 . ISBN  979-8-3503-0129-8.
  47. ↑ ليو، تشن تشن؛ تشو، جين بنغ؛ واينبرغر، كيليان كيو. (9 مايو 2024). "الاستفادة من نماذج الانتشار للكشف غير الخاضع للإشراف عن القيم الخارجة عن التوزيع في فضاء الصور" . مجلة فرونتيرز في الذكاء الاصطناعي . 7 1255566. doi : 10.3389/frai.2024.1255566 . ISSN 2624-8212 . PMC 11112019. PMID 38783869 .   
  48. ↑ هي، ز.؛ شو، إكس.؛ دينغ، إس. (2003). "اكتشاف القيم الشاذة المحلية القائمة على التجميع". رسائل التعرف على الأنماط . 24 ( 9-10 ): 1641-1650 . Bibcode : 2003PaReL..24.1641H . CiteSeerX 10.1.1.20.4242 . doi : 10.1016/S0167-8655(03)00003-5 . 
  49. ↑ كامبيلو، آر. جيه. جي. بي.؛ مولافي، د.؛ زيمك، أ .؛ ساندر، ج. (2015). "تقديرات الكثافة الهرمية لتجميع البيانات، والتصور، والكشف عن القيم الشاذة". معاملات ACM لاكتشاف المعرفة من البيانات . 10 (1): 5:1–51. doi : 10.1145/2733381 . S2CID 2887636 . 
  50. ↑ لازاريفيتش، أ.؛ كومار، ف. (2005). "تجميع الميزات للكشف عن القيم الشاذة". وقائع المؤتمر الدولي الحادي عشر لجمعية ACM SIGKDD حول اكتشاف المعرفة في استخراج البيانات . الصفحات 157-166 . CiteSeerX 10.1.1.399.425 . doi : 10.1145/1081870.1081891 . ISBN   978-1-59593-135-1. S2CID 2054204 . 
  51. ↑ نغوين، إتش في؛ أنغ، إتش إتش؛ غوبالكريشنان، في. (2010). استخراج القيم الشاذة باستخدام مجموعة من الكواشف غير المتجانسة على الفضاءات الفرعية العشوائية . أنظمة قواعد البيانات للتطبيقات المتقدمة. سلسلة محاضرات في علوم الحاسوب. المجلد 5981. ص 368. doi : 10.1007/978-3-642-12026-8_29 . ISBN   978-3-642-12025-1.
  52. ↑ كريجل، إتش بي ؛ كروجر، بي؛ شوبرت، إي ؛ زيمك، إيه (2011). تفسير وتوحيد درجات القيم الشاذة . وقائع المؤتمر الدولي لجمعية الرياضيات التطبيقية والصناعية (SIAM) لعام 2011 حول استخراج البيانات. الصفحات 13-24 . CiteSeerX 10.1.1.232.2719 . doi : 10.1137/1.9781611972818.2 . ISBN   978-0-89871-992-5.
  53. ↑ شوبرت، إي .؛ ووجدانوفسكي، ر.؛ زيمك، أ .؛ كريجل، هـ.ب. (2012). حول تقييم تصنيفات القيم الشاذة ودرجاتها . وقائع المؤتمر الدولي لجمعية الرياضيات التطبيقية والصناعية (SIAM) لعام 2012 حول استخراج البيانات. الصفحات 1047-1058 . doi : 10.1137/1.9781611972825.90 . ISBN  978-1-61197-232-0.
  54. ↑ زيمك، أ .؛ كامبيلو، ر. ج. ج. ب.؛ ساندر، ج. ر. (2014). "مجموعات للكشف عن القيم الشاذة غير الخاضعة للإشراف". نشرة ACM SIGKDD Explorations الإخبارية . 15 : 11-22 . doi : 10.1145/2594473.2594476 . S2CID 8065347 . 
  55. ↑ زيمك، أ .؛ كامبيلو، ر. ج. ج. ب.؛ ساندر، ج. ر. (2014). اضطراب البيانات لمجموعات الكشف عن القيم الشاذة . وقائع المؤتمر الدولي السادس والعشرين لإدارة قواعد البيانات العلمية والإحصائية - SSDBM '14. ص. 1. doi : 10.1145/2618243.2618257 . ISBN  978-1-4503-2722-0.
  56. ↑ هافليتشيك، فويتش؛ كوركوليس، أنطونيو د.؛ تيمي، كريستان؛ هارو، آرام و.؛ كاندالا، أبهيناف؛ تشاو، جيري م.؛ جامبيتا، جاي م. (2019). "التعلم الخاضع للإشراف باستخدام فضاءات الميزات المحسّنة كميًا". مجلة نيتشر . 567 (7747): 209-212 . doi : 10.1038/s41586-019-0980-2 . PMID 30867609 . 
  57. ↑ بادامي، شجاع علي (2026). "رسم خرائط ميزات النواة الكمومية المستقلة عن الأجهزة للكشف عن الشذوذ" . IEEE Access . doi : 10.1109/ACCESS.2026.3559716 .
  58. ↑ غولدشتاين، ماركوس؛ دينجل، أندرياس (2012). "مقياس القيم الشاذة القائم على المدرج التكراري (HBOS): خوارزمية سريعة للكشف عن الشذوذ غير الخاضعة للإشراف" (ملف PDF) . الصفحة الشخصية لماركوس غولدشتاين .(ملصق خاص بمؤتمر KI 2012 فقط، وليس ضمن وقائع المؤتمر)
  59. ↑ تشاو، يو؛ نصر الله، زين؛ لي ، تشنغ (2019). "Pyod: مجموعة أدوات بايثون للكشف عن القيم الشاذة القابلة للتوسع" (ملف PDF) . مجلة أبحاث تعلم الآلة . 20. arXiv : 1901.01588 .
  60. ↑ "FindAnomalies" . وثائق Mathematica .