11484

تشخيص ناهنجاري با استفاده از يادگيري عميق

1399

دكتر محسن سرياني

تشخيص ناهنجاري‌ مسئله مهمي است كه در زمينه‌هاي تحقيقاتي گوناگون مورد مطالعه قرار مي‌گيرد و كاربرد‌هاي بسيار زيادي دارد. يك نياز مرسوم در حوزه تجزيه و تحليل داده‌هاي دنياي واقعي، پي بردن به اين است كه بدانيم كدام نمونه‌ها از نقطه‌نظر تشابه رفتار و ظاهر با اكثريت نمونه‌هاي موجود بسيار متفاوت هستند. اين تفاوت مي‌تواند به دليل خطاي انداز‌ه‌گيري در هنگام جمع آوري داده‌ها باشد. گاهي اوقات اين تفاوت مي‌تواند نشان‌ دهنده وجود پديده‌اي ناشناخته‌ باشد كه در پشت‌پرده جامعه آماري مورد مطاالعه در حال رخ دادن است و ما از آن بي‌خبر هستيم. در علم داده اصطلاح ناهنجاري به داده‌اي تعلق مي‌گيرد كه از نقطه‌نظر يك معيار تشابه تعريف شده، ميزان تشابه آن با ساير دادگان موجود بسيار كم باشد. براي مثال اگر عكس راديولوژي فردي كه بيماري ريوي دارد را با عكس‌هاي راديولوژي گرفته شده از ريه افراد سالم مقايسه كنيم متوجه تفاوت اين عكس با ساير عكس‌ها خواهيم شد. اين عدم تشابه در دادگان، مشخص مي‌كند كه فرد دچار بيماري ريوي است. درواقع پزشكان با مشاهده اين عدم شباهت‌ها به وجود بيماري پي مي‌برند. عمل مقايسه دادگان مي‌تواند به وسيله كامپيوتر نيز انجام شود كه موضوع اين سمينار است. در اين سمينار تلاش شده روش‌هاي مبتني بر يادگيري عميق براي تشخيص ناهنجاري را بررسي كنيم. از آنجا كه كاربرد اين موضوع در حوزه‌هاي مختلف بسيار وسيع است و مقالات بسياري در رابطه با كاربردي‌هاي مختلف به چاپ رسيده است، سعي كرديم حوزه سمينار را محدود كرده و ضمن معرفي انواع كاربرد‌هاي مسئله تشخيص ناهنجاري، به بررسي روش‌هايي بپردازيم كه در رابطه با كاربرد پردازش تصوير و بينايي كامپيوتر هستند. با توجه به تعدد مقالات در سال‌هاي اخير و وجود مقالات جامع در اين حوزه، بيشتر مقالات جديد كه در سال‌هاي اخير منتشر شده‌اند را بررسي مي‌كنيم و براي باقي روش‌ها به ارجاع دهي به مقالات ديگر اكتفا خواهيم كرد.

11/23/2022 12:00:00 AM

77055

1401/09/19

Deep learning for anomaly detection

تشخيص ناهنجاري , يادگيري عميق , تشخيص نقاط خارج از محدوده

Anomaly detection , Deep learning , Outlier detection