چارچوب تقطیر دانش چندمعلمی برای تشخیص سبک‌وزن ناهنجاری

چارچوب تقطیر دانش چندمعلمی برای تشخیص سبک‌وزن ناهنجاری

Behnam Yousefimehr، Mehdi Ghatee، Roozbeh Razavi-Far؛ Neural Networks، جلد 195، مارس 2026، 108267 

نکات برجسته:

• به‌کارگیری مدل دانش‌آموز سبک‌وزن و فشرده برای محیط‌هایی با منابع محدود.
• یادگیری از توزیع‌های متعدد دادهٔ بازنمونه‌گیری‌شده برای بهبود تعمیم‌پذیری تشخیص ناهنجاری و کاهش بیش‌برازش.
• ارائهٔ اثبات‌های نظری برای نشان‌دادن توانایی مدل دانش‌آموز در بازتاب ساختار کلاس‌ها و توزیع چندین مدل معلم.
• تأیید استواری روش پیشنهادی در برابر ورودی‌های دادهٔ مخدوش یا نویزی.

چکیده:

تشخیص ناهنجاری در حوزه‌های گوناگون ضروری است؛ در این حوزه‌ها شناسایی نمونه‌های نادر و نامتعارف برای ایمنی و امنیت سامانه اهمیت حیاتی دارد. این مسئله به‌دلیل عدم توازن شدید کلاس‌ها، که در آن تعداد نمونه‌های عادی بسیار بیشتر از نمونه‌های ناهنجار است، با چالشی مهم روبه‌روست. این نابرابری، شناسایی مؤثر ناهنجاری‌ها را برای مدل‌های یادگیری متداول دشوار می‌کند. این مقاله چارچوبی نوین معرفی می‌کند که برای نخستین‌بار تقطیر دانش را با چندین راهبرد بازنمونه‌گیری ترکیب می‌کند تا ضمن رسیدگی به یادگیری نامتوازن، از فشرده‌سازی مدل برای استقرار کارآمد نیز بهره بگیرد. در روش پیشنهادی، چندین مدل معلم بر مجموعه‌داده‌هایی آموزش می‌بینند که با روش‌های متنوع بیش‌نمونه‌گیری و کم‌نمونه‌گیری بازنمونه‌گیری شده‌اند. مدل دانش‌آموز با تقطیر دانش این معلم‌ها، ضمن حفظ ساختاری فشرده، بازنمایی متوازنی از نمونه‌های عادی و ناهنجار می‌آموزد. این مقاله همچنین تحلیلی نظری ارائه می‌کند که نشان می‌دهد الگوریتم پیشنهادی تقطیر دانش، تمایز میان کلاس‌ها را به‌درستی شناسایی می‌کند. این الگوریتم تعمیم‌پذیری را افزایش می‌دهد، بیش‌برازش را کاهش می‌دهد و استواری را در حضور داده‌های مخدوش یا نویزی بهبود می‌بخشد؛ ازاین‌رو، کارایی عملی خود را در شرایط متنوع و دشوار نشان می‌دهد. اگرچه فرایند آموزش به‌دلیل ساختار چندمعلمی به منابع محاسباتی بیشتری نیاز دارد، مدل فشردهٔ دانش‌آموزِ حاصل از نظر دقت، کارایی و سرعت استنتاج مزیت‌های قابل‌توجهی دارد و برای کاربردهای تشخیص بلادرنگ ناهنجاری بسیار مناسب است. افزون بر این، چارچوب پیشنهادی MTKD را بر شش مجموعه‌دادهٔ WUSTL-EHMS، Credit-Card-Fraud، TON-IoT، KDD99، HYPERAKTIV و ICU-IoT-Flock ارزیابی کرده‌ایم. این مجموعه‌ها حوزه‌هایی مانند تشخیص تقلب، تشخیص نفوذ و پایش سلامت را پوشش می‌دهند و نتایج، اثربخشی مستقل از حوزهٔ این چارچوب را در سناریوهای متنوع دنیای واقعی نشان می‌دهند.

مرجع: https://doi.org/10.1016/j.neunet.2025.108267

از طریق یک پیوند اشتراک‌گذاری، یعنی نشانی اختصاصی اینترنتی که 50 روز دسترسی رایگان به مقالهٔ ما فراهم می‌کند، می‌توانید به این اثر دسترسی داشته باشید. هر کسی که پیش از 30 دسامبر 2025 روی این پیوند کلیک کند، مستقیماً به نسخهٔ نهایی مقالهٔ ما در ScienceDirect هدایت می‌شود و می‌تواند آن را بخواند یا دریافت کند. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست. پیوند اختصاصی اشتراک‌گذاری ما: