الانتقال إلى المحتوى
العودة إلى نتائج البحث

آلة المتجهات الداعمة أحادية الفئة

قدّمه
Scholkopf, B., Platt, J. C., Smola, A. J., Williamson, R. C.
السنة
1999–2001
النوع
Anomaly / novelty detection (unsupervised)
العائلة
Machine learning

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

آلة المتجهات الداعمة أحادية الفئة (One-class SVM) هي خوارزمية غير خاضعة للإشراف للكشف عن الشذوذ والحداثة، تتعلم حدودًا ضيقة حول بيانات التدريب العادية في فضاء سمات محفز بنواة، وتُعلم الملاحظات الجديدة التي تقع خارج هذا الحد على أنها قيم شاذة. تم تقديمها بواسطة Scholkopf وآخرون في 1999-2001، وهي توسع إطار عمل آلة المتجهات الداعمة إلى الإعداد أحادي الفئة حيث لا تتوفر شذوذات مُصنفة.

الفكرة الحدسية وراء الطريقة

تخيل نفخ بالون ليحيط بجميع نقاط التدريب الخاصة بك في فضاء متحول مُعرّف بواسطة دالة نواة. بمجرد ملاءمة البالون، يتم الإعلان عن أي نقطة جديدة تقع خارجه على أنها شذوذ. تتحكم المعلمة nu في مدى ضيق البالون: تسمح قيمة nu الصغيرة لعدد قليل جدًا من نقاط التدريب بأن تكون داخل الهامش (حد صارم)، بينما تسمح قيمة nu الكبيرة لمزيد من النقاط بالخارج (حد أوسع). تسمح خدعة النواة بأن يكون الحد غير خطي في فضاء الإدخال الأصلي، لذلك يمكن لآلة المتجهات الداعمة أحادية الفئة التقاط أشكال معقدة من السلوك الطبيعي التي قد تفوتها قاعدة عتبة أو مسافة بسيطة.

التاريخ

تم تقديم آلة المتجهات الداعمة أحادية الفئة بواسطة Scholkopf و Platt و Smola و Williamson في تقرير فني عام 1999 ونُشرت في Neural Computation عام 2001 تحت عنوان 'تقدير دعم توزيع عالي الأبعاد'. تم تطوير صياغة وثيقة الصلة، وصف بيانات المتجهات الداعمة (SVDD)، في نفس الوقت بواسطة Tax و Duin (2004). كلتا الطريقتين وسعتا إطار عمل آلة المتجهات الداعمة الخاضع للإشراف إلى إعداد الكشف عن الشذوذ غير الخاضع للإشراف وأصبحتا مراجع أساسية في أدبيات الكشف عن الحداثة. جعل تطبيق OneClassSVM في Scikit-learn الطريقة متاحة على نطاق واسع في الأبحاث التطبيقية.

متى تُستخدم

استخدم آلة المتجهات الداعمة أحادية الفئة عندما تكون أمثلة الشذوذ المُصنفة غير متوفرة أو نادرة جدًا وتريد حدًا غير خطي حول السلوك الطبيعي - وهو أمر شائع في اكتشاف الاحتيال، واكتشاف التسلل، ومراقبة الأعطال الصناعية، والفحص الطبي للحداثة باستخدام سمات رقمية مستمرة. تعمل بشكل أفضل على مجموعات البيانات متوسطة الحجم (مئات إلى عشرات الآلاف من العينات) وتوزيعات السلوك الطبيعي عالية الأبعاد أو ذات الأشكال المعقدة حيث تفشل الكواشف الخطية أو القائمة على المسافة. تجنبها عندما: تكون مجموعة التدريب كبيرة جدًا (n > ~ 100000)، لأن الحل التربيعي يتوسع بشكل سيء؛ تكون البيانات فئوية للغاية؛ أو عندما تكون القواعد السريعة والقابلة للتفسير مطلوبة. في هذه الحالات، فضل الغابة العازلة (Isolation Forest)، أو عامل تحديد الموقع الخارجي (Local Outlier Factor)، أو نموذج إحصائي قائم على العتبة.

الحدود والاعتبارات

  • يتوسع حل البرمجة التربيعية كـ O(n^2) إلى O(n^3) في عينات التدريب، مما يجعله غير عملي لمجموعات البيانات الكبيرة جدًا.
  • حساس لاختيار النواة ومعلماتها الفائقة (مثل RBF gamma)؛ الاختيارات السيئة تنتج حدودًا ضيقة جدًا أو فضفاضة جدًا.
  • يتطلب بيانات تدريب عادية نظيفة - مجموعات التدريب الملوثة تحول الحد وتزيد من معدلات السلبية الخاطئة.
  • لا ينتج تقديرات احتمالية مُعايرة بشكل طبيعي؛ درجة القرار ليست احتمالية.
  • قابلية التفسير محدودة؛ شرح سبب تمييز نقطة معينة على أنها شاذة أمر صعب بدون أدوات إضافية لاحقة.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يعمل بدون أمثلة شذوذ مُصنفة - فقط بيانات تدريب عادية مطلوبة.
  • النواة غير الخطية (عادةً RBF) تلتقط حدودًا معقدة ومنحنية للسلوك الطبيعي التي تفوتها الطرق القائمة على المسافة.
  • تمنح المعلمة nu تحكمًا مباشرًا وقابلاً للتفسير في جزء القيم الشاذة المتوقع.
  • يتوسع بشكل رشيق إلى فضاءات السمات عالية الأبعاد عبر خدعة النواة.
  • تتيح درجة القرار المستمرة معايرة مرنة للعتبة النهائية.
  • تم إثبات فعاليته في مجالات عالية المخاطر مثل اكتشاف التسلل، ومراقبة الأعطال، والتصوير الطبي.

التطبيقات

  • اكتشاف تسلل الشبكة: تمييز أنماط حركة المرور التي لم تُشاهد أثناء التشغيل العادي.
  • مراقبة الأعطال الصناعية: اكتشاف قراءات مستشعرات الآلة التي تنحرف عن ملفات تعريف الحالة الصحية.
  • اكتشاف الاحتيال: تحديد أنماط المعاملات غير العادية عندما تكون أمثلة الاحتيال نادرة جدًا لتدريب مصنف خاضع للإشراف.
  • الكشف عن الحداثة الطبية: تمييز قراءات التصوير أو المؤشرات الحيوية خارج توزيع الأفراد الأصحاء.
  • معالجة اللغة الطبيعية: اكتشاف المستندات أو الاستعلامات خارج النطاق باستخدام تضمينات النص كميزات إدخال.

كيف يعمل

كيف يعمل

1

يتم تعيين جميع ملاحظات التدريب إلى فضاء سمات عالي الأبعاد (ربما لا نهائي الأبعاد) عبر دالة نواة مثل الدالة الأساسية الشعاعية (RBF). يمكن تقييم الضرب الداخلي في هذا الفضاء دون حساب التعيين بشكل صريح، مما يجعل النهج قابلاً للتتبع حتى للحدود المعقدة.

الصيغة
\phi: \mathcal{X} \to \mathcal{F}
2

يقوم برنامج تربيعي بإيجاد مستوى فائق في فضاء السمات يفصل بيانات التدريب المعينة عن الأصل بهامش أقصى. المعلمة nu (بين 0 و 1) تحدد بشكل متزامن جزء نقاط التدريب التي تُعامل على أنها قيم شاذة وجزء المتجهات الداعمة، مما يمنح الممارس تحكمًا مباشرًا في المفاضلة بين ضيق النموذج وتحمل تلوث التدريب.

الصيغة
\min_{w,\rho,\xi}\; \tfrac{1}{2}\|w\|^2 - \rho + \tfrac{1}{\nu n}\sum_i \xi_i
3

يُعرّف المستوى الفائق المُتعلم دالة قرار مُوقعة. تُصنف النقاط على الجانب الإيجابي على أنها طبيعية؛ تُعلم النقاط على الجانب السلبي (أقل من العتبة rho) على أنها شذوذات أو مستجدات. يمكن أن يعمل النتيجة الخام أيضًا كدرجة شذوذ مستمرة للترتيب.

الصيغة
f(x) = \text{sgn}\bigl(\langle w, \phi(x)\rangle - \rho\bigr)
4

يُعد اختيار nu هو القرار النمذجي الرئيسي: يُعد ضبطه بالقرب من جزء التلوث المتوقع في مجموعة التدريب قاعدة عملية إرشادية. يجب أن يوجه التحقق المتقاطع على مجموعة تحقق عادية مُستبعدة أو المعرفة بالمجال حول معدل القيم الشاذة المتوقع الاختيار بدلاً من البحث الشبكي على البيانات غير المصنفة وحدها.

5

في النشر، يتم تطبيق عتبة لدرجة الشذوذ على خرج دالة القرار. يمكن تعديل العتبة لاحقًا للمفاضلة بين الدقة والاستدعاء للشذوذات، مما يجعل الطريقة مناسبة للتطبيقات التي تختلف فيها تكلفة الإيجابيات الخاطئة اختلافًا كبيرًا عن تكلفة السلبيات الخاطئة.

الأخطاء الشائعة

  • التدريب على بيانات تحتوي على جزء كبير من الشذوذات غير المكتشفة، مما يفسد الحد المُتعلم.
  • ضبط nu بدون الرجوع إلى معدل التلوث المتوقع، مما يؤدي إما إلى إيجابيات خاطئة مفرطة أو شذوذات فائتة.
  • استخدام RBF gamma الافتراضي بدون ضبط، مما قد يجعل الحد إما ضيقًا جدًا (جميع النقاط الجديدة شذوذات) أو فضفاضًا جدًا (لم يتم اكتشاف أي شذوذات).
  • تطبيق آلة المتجهات الداعمة أحادية الفئة على مجموعات بيانات كبيرة جدًا دون النظر في بدائل قابلية التوسع مثل التقريبات المستندة إلى SGD (SGDOneClassSVM في sklearn).
  • الإبلاغ عن علامة شذوذ ثنائية فقط دون فحص توزيع الدرجات المستمر لمعايرة العتبة.

الأسئلة الشائعة

ما الفرق بين آلة المتجهات الداعمة أحادية الفئة والغابة العازلة للكشف عن الشذوذ؟

تتعلم آلة المتجهات الداعمة أحادية الفئة حدًا قائمًا على النواة حول البيانات العادية وتعمل بشكل جيد على التوزيعات عالية الأبعاد ذات الأشكال المعقدة، ولكنها تتوسع بشكل سيء مع حجم مجموعة البيانات. تستخدم الغابة العازلة التقسيم العشوائي وهي أسرع بكثير على مجموعات البيانات الكبيرة ولكنها بشكل عام أقل حساسية لأنماط الشذوذ الدقيقة وغير الخطية.

كيف ينبغي لي اختيار المعلمة nu؟

اضبط nu على جزء ملاحظات التدريب التي تتوقع أن تكون ملوثة أو غير نمطية. إذا كنت تعتقد أن أقل من 5٪ من عينات التدريب الخاصة بك هي قيم شاذة، فابدأ بـ nu=0.05. استخدم مجموعة مُستبعدة من الأمثلة العادية المعروفة لتقييم ضيق الحد بدلاً من الاعتماد على البحث الشبكي وحده.

ما هي النواة التي يجب أن أستخدمها؟

النواة الأساسية الشعاعية (RBF) هي نقطة البداية القياسية وتتعامل مع معظم مجموعات البيانات الرقمية المستمرة بشكل جيد. تتحكم المعلمة الفائقة gamma للنواة RBF في نصف قطر التأثير؛ تحقق بشكل متقاطع عبر شبكة ذات مقياس لوغاريتمي. النوى الخطية أسرع ولكنها تقيد الحد بمستوى فائق.

هل يمكن لآلة المتجهات الداعمة أحادية الفئة التعامل مع السمات الفئوية؟

ليس بشكل مباشر. يجب ترميز المتغيرات الفئوية رقميًا (مثل الترميز الثنائي أو الترتيبي) قبل الاستخدام، مما قد يؤدي إلى تشوهات في مقياس المسافة. بالنسبة لمجموعات البيانات التي تهيمن عليها السمات الفئوية، فكر في الكواشف القائمة على الأشجار مثل الغابة العازلة بدلاً من ذلك.

قد تحتوي مجموعة التدريب الخاصة بي على بعض الشذوذات. هل هذا يكسر النموذج؟

تحول بيانات التدريب الملوثة الحد إلى الخارج وقد تتسبب في تعلم النموذج لأنماط شاذة كسلوك طبيعي. آلة المتجهات الداعمة أحادية الفئة أكثر حساسية لهذا من الغابة العازلة. إذا كان التلوث مشتبهًا به، ففكر في استخدام SVDD مع قيمة nu أعلى أو تنظيف مجموعة التدريب بمرور أولي لكاشف سريع.

طرق ذات صلة

المصادر

  1. Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443–1471.

    افتح مرجع DOI
    تم النسخ.
  2. Tax, D. M. J., & Duin, R. P. W. (2004). Support vector data description. Machine Learning, 54(1), 45–66.

    افتح مرجع DOI
    تم النسخ.