20121

17360

كارشناسي ارشد

هوش مصنوعي و رباتيكز

اصفهان : دانشگاه صنعتي اصفهان

1403

ده،65ص.:مرور،جدول، نمودار

1403/11/16

كتابنامه

مهندسي كامپيوتر

مهندسي برق و كامپيوتر

1403/11/29

23109072

تشخيص ناهنجاري در داده‌هاي سري زماني از اهميت بالايي برخوردار است. ناهنجاري‌ها معمولاً نشان‌دهنده رخدادهاي غيرعادي هستند كه شناسايي آن‌ها مي‌تواند به بهبود عملكرد سيستم‌ها و جلوگيري از بروز مشكلات جدي كمك كند. توسعه روش‌هاي كارآمد براي شناسايي ناهنجاري‌ها، به يكي از زمينه‌هاي مهم پژوهشي تبديل شده است. تشخيص ناهنجاري‌ها در داده‌هاي سري‌ زماني با چالش‌هاي مختلفي همراه است. از جمله اين چالش‌ها مي‌توان به تعريف مبهم ناهنجاري‌ها، كمبود داده‌هاي برچسب‌دار و پيچيدگي همبستگي‌هاي زماني اشاره كرد. بسياري از روش‌هاي موجود، به‌ويژه روش‌هاي بدون ناظر، نمي‌توانند به خوبي اين الگوهاي پيچيده را شناسايي كنند و اغلب نرخ بالاي مثبت كاذب مواجه هستند. در سال‌هاي اخير، مدل‌هاي انتشار به شدت مورد توجه محققان قرار گرفته‌اند و در بسياري از مسائل يادگيري ماشين عملكرد بسيار موفقي از خود نشان داده‌اند. در اين پايان‌نامه، روشي بدون ناظر براي تشخيص ناهنجاري در داده‌هاي سري زماني تك‌متغيره با استفاده از مدل‌هاي انتشار ارائه شده است. اين روش با بهره‌گيري از ساختار منحصربه‌فرد مدل‌هاي انتشار و ويژگي‌هاي خاص سري‌هاي زماني تك‌متغيره، قادر است ناهنجاري‌ها را به‌طور مؤثري شناسايي كند. در اين پايان‌نامه، به شكلي جديدي از مدل‌هاي انتشار استفاده شده است كه در آن مرحله اضافه كردن نويز در فرآيند بازسازي حذف شده است. علاوه بر اين، روشي جديد براي هرس بازه‌هاي ناهنجاري معرفي شده است. نتايج تجربي نشان مي‌دهند كه اين روش نسبت به روش ARIMA، بهبود 37 درصدي و نسبت به روش Tadgan، بهبود 11 درصدي در معيار F1 به همراه داشته است.

Anomaly detection in time series data is of great importance. Anomalies typically indicate unusual events, and their detection can help improve system performance and prevent serious issues. Developing efficient methods for detecting anomalies has become a key research area. Anomaly detection in time series data presents several challenges, including the ambiguous definition of anomalies, the lack of labeled data, and the complexity of temporal correlations. Many existing methods, especially unsupervised ones, struggle to effectively capture these complex patterns and often suffer from high false-positive rates. In recent years, diffusion models have gained significant attention from researchers and have demonstrated remarkable success in various machine learning tasks. In this thesis, an unsupervised approach for anomaly detection in univariate time series data using diffusion models is proposed. By leveraging the unique structure of diffusion models and the specific characteristics of univariate time series, this method is able to effectively identify anomalies. A novel aspect of the approach in this thesis is the removal of the noise addition phase in the reconstruction process. Furthermore, a new method for pruning anomaly intervals is introduced. Experimental results show that this method achieves a 37% improvement over the ARIMA model and an 11% improvement over the TadGAN model in terms of the F1 score.

عبدالرضا ميرزايي

مازيار پالهنگ , حميدرضا حكيم داودي