|
Title
|
طراحی یک مدل یادگیری پیوسته مبتنی بر شبکه های عصبی عمیق برای تشخیص ناهنجاری ها با رویکرد کاهش فراموشی ناگهانی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص ناهنجاری، یادگیری پیوسته، یادگیری افزایشی، فراموشی ناگهانی، بازپخش حافظه، مدل های مولد، خودرمزگذار واریاسیونی
|
|
Abstract
|
ضرورت و اهمیت موضوع پژوهش
تشخیص ناهنجاری در محیط های واقعی به دلیل پویایی داده ها و بروز پدیده رانش مفهوم، با چالش های جدی مواجه است. مدل های سنتی که بر فرض ایستایی توزیع داده ها بنا شده اند، در برابر ورود تدریجی داده های جدید دچار افت عملکرد می شوند. از سوی دیگر، اگرچه یادگیری پیوسته راهکاری امیدبخش برای سازگاری تدریجی مدل ها ارائه می دهد، اما پدیده فراموشی ناگهانی همچنان مانع اصلی به کارگیری مؤثر شبکه های عمیق در این حوزه است.آموزش مجدد کامل بسیار پرهزینه و زمان بر است و در کاربردهای واقعی امکان پذیر نیست .در بسیاری از کاربردهای حساس مانند امنیت شبکه، سلامت و صنعت، نیاز به مدل هایی وجود دارد که بدون ذخیره داده های گذشته و بدون آموزش مجدد کامل، بتوانند دانش جدید را بیاموزند و هم زمان دانش قبلی را حفظ کنند.
در این پژوهش، یک چارچوب یادگیری پیوسته مبتنی بر خودرمزگذار واریاسیونی برای تشخیص ناهنجاری در داده های جریان دار ارائه می شود. در مدل پیشنهادی، بازپخش مولد به منظور بازسازی نمونه های نماینده از داده های گذشته به کار گرفته شده و به منظور افزایش کیفیت بازپخش، یک فیلتر تطبیقی حذف نمونه های پرت در فضای نهفته طراحی شده است. همچنین، برای جلوگیری از تغییرات مخرب در پارامترهای مهم شبکه، از منظم سازی مبتنی بر اهمیت وزن ها (یکپارچه سازی الاستیک وزن ها) به صورت مکمل استفاده می شود. این ترکیب امکان یادگیری تدریجی پایدار را بدون نیاز به ذخیره داده های واقعی فراهم می کند.
ارزیابی مدل با استفاده از مجموعه داده های استاندارد KDDCup99، Credit Card Fraud و MVTecAD و تحت سناریوهای رانش مفهوم انجام خواهد شد. عملکرد روش پیشنهادی با معیارهای تشخیص ناهنجاری AUC، F1، Accuracy و معیارهای اختصاصی یادگیری پیوسته BWT، FWT و پایداری خطای بازسازی) سنجیده می شود. انتظار می رود مدل پیشنهادی با بهره گیری از بازپخش مولد فیلترشده و منظم سازی وزن ها، کاهش قابل توجهی در فراموشی ناگهانی ایجاد کرده و پایداری بالاتری نسبت به روش های متداول در محیط های پویا نشان دهد.
این پژوهش با ارائه یک چارچوب یکپارچه و عملی، گامی در جهت به کارگیری مؤثر یادگیری پیوسته در تشخیص ناهنجاری های واقعی برمی دارد.
|
|
Researchers
|
(Student)، Mohammad Khodizadeh-Nahari (Primary Advisor)، Hossein Abbasimehr (Advisor)
|