Telegram-канал ai_events - Ai Events️: Unsorted

Ai Events️

25 December 2024 16:17

می‌دونید سه مفهوم زیر چی هستند و چطور از هم تفکیک میشن؟
1. شناسایی نوآوری (Novelty Detection)
2. داده‌های خارج از توزیع (OOD)
3. ناهنجاری (Anomaly Detection)

هرکدام از این مفاهیم، با وجود شباهت‌های ظاهری، کاربردهای متفاوتی دارند و به‌ویژه در شرایط مختلف مدل‌های یادگیری ماشین، عملکردهای متفاوتی از خود نشان می‌دهند. در ادامه به توضیح هرکدام پرداخته و تفاوت‌های آن‌ها را بررسی می‌کنیم:

1. شناسایی نوآوری (Novelty Detection)
شناسایی نوآوری به فرآیند شناسایی نمونه‌هایی اشاره دارد که در داده‌های آموزشی حضور نداشته‌اند، اما ممکن است به یک یا چند کلاس جدید مرتبط باشند. این امر به‌طور خاص در مدل‌هایی که بر روی داده‌های محدود آموزش دیده‌اند، کاربرد دارد. هدف این است که مدل قادر باشد نمونه‌های جدیدی که ممکن است به کلاس‌های ناشناخته تعلق داشته باشند را شناسایی کند.
مثال: فرض کنید مدل شما برای تشخیص تصاویر سگ و گربه آموزش دیده است. اگر تصویر یک خرگوش به مدل داده شود، مدل باید این تصویر را به‌عنوان یک نمونه جدید شناسایی کرده و از آن‌جایی که در داده‌های آموزشی نبوده است، به‌عنوان کلاس جدید شناسایی کند.
ویژگی: این فرآیند بر شناسایی نمونه‌هایی متمرکز است که ممکن است با کلاس‌های جدید مرتبط باشند ولی به هیچ‌وجه در مجموعه داده‌های آموزش دیده‌شده وجود نداشته‌اند.

2. داده‌های خارج از توزیع (OOD - Out-of-Distribution Data)
داده‌های خارج از توزیع به نمونه‌هایی اطلاق می‌شود که به‌طور کلی از توزیع داده‌هایی که مدل روی آن آموزش دیده، متفاوت هستند. در این حالت، مدل با داده‌هایی روبه‌رو می‌شود که ویژگی‌های آن‌ها به‌طور قابل توجهی از داده‌های موجود در مجموعه آموزشی متفاوت است.
مثال: فرض کنید مدل شما بر اساس داده‌های حیوانات خانگی مانند سگ و گربه آموزش دیده است. اگر تصویر یک ماشین به مدل داده شود، این تصویر به‌عنوان داده‌ای خارج از توزیع شناسایی می‌شود چون مدل هیچ‌گاه بر داده‌هایی با چنین ویژگی‌هایی آموزش ندیده است.
ویژگی: در اینجا مدل به دنبال تشخیص نمونه‌هایی است که از نظر توزیع آماری با داده‌های آموزش‌دیده متفاوت باشند، حتی اگر نمونه‌های جدید به دسته‌های جدید تعلق نداشته باشند.

3. شناسایی ناهنجاری (Anomaly Detection)
شناسایی ناهنجاری به فرآیند تشخیص نمونه‌هایی اطلاق می‌شود که تفاوت قابل توجهی با سایر داده‌های موجود دارند. این نوع تشخیص به‌طور معمول برای شناسایی رفتارهای غیرطبیعی یا غیرمنتظره در داده‌ها مورد استفاده قرار می‌گیرد.
مثال: در یک سیستم مانیتورینگ، اگر مصرف پردازنده به‌طور ناگهانی و غیرمنتظره‌ای افزایش یابد، این وضعیت به‌عنوان یک ناهنجاری شناسایی می‌شود زیرا تفاوت زیادی با الگوهای عادی مصرف پردازنده دارد.
ویژگی: ناهنجاری‌ها نمونه‌هایی هستند که ویژگی‌هایشان به‌طور قابل توجهی از دیگر نمونه‌ها دور است و این امر می‌تواند به‌عنوان علائم خرابی سیستم، تقلب یا مشکلات عملکردی مشاهده شود.

تفاوت‌ها و مقایسه:

در ساده‌ترین شکل، تفاوت‌های این سه مفهوم به‌طور خلاصه به این صورت است:

- شناسایی نوآوری: تمرکز بر کشف کلاس‌های جدید که در داده‌های آموزش موجود نبوده‌اند.
- داده‌های خارج از توزیع (OOD): شناسایی نمونه‌هایی که از توزیع داده‌های آموزش متفاوت هستند، حتی اگر این نمونه‌ها به کلاس‌های جدید تعلق نداشته باشند.
- شناسایی ناهنجاری: شناسایی نمونه‌های غیرعادی که از نظر ویژگی‌ها به‌طور قابل توجهی از دیگر نمونه‌ها متفاوت‌اند.

کاربردها:

- شناسایی نوآوری (Novelty Detection): این مفهوم به‌طور ویژه در کاربردهایی مانند کشف کلاس‌های جدید در داده‌های پیچیده و در حال تغییر، یا زمانی که داده‌های جدید وارد می‌شوند، کاربرد دارد.
- داده‌های خارج از توزیع (OOD): این مفاهیم معمولاً در زمینه‌های امنیت مدل یا استفاده از مدل‌های عمومی که ممکن است با داده‌های خارج از حوزه خود مواجه شوند، کاربرد دارد.
- شناسایی ناهنجاری (Anomaly Detection): این مورد به‌ویژه در شناسایی تقلب، خرابی سیستم‌ها یا تشخیص رفتار غیرعادی در سیستم‌های پیچیده مانند شبکه‌های کامپیوتری و سیستم‌های نظارتی کاربرد دارد.

به عنوان جمع‌بندی، این سه مفهوم با وجود شباهت‌های اولیه، در اساس و کاربرد تفاوت‌های مهمی دارند. شناسایی نوآوری بیشتر بر شناسایی کلاس‌های جدید متمرکز است، در حالی که OOD به شناسایی داده‌هایی می‌پردازد که کاملاً خارج از توزیع داده‌های آموزش‌دیده هستند، و شناسایی ناهنجاری به دنبال نمونه‌هایی است که از الگوهای عادی دور هستند.