تشخیص برخط و استوار ناهنجاری با استفاده از شبکه عصبی بازگشتی

در بسیاری از مسایل دنیای واقعی، داده، پویا و دارای نویز است. در چنین شرایطی تشخیص ناهنجاری باید با یک مدل برخطی که در مقابل نویز استوار است، انجام شود. در سال های اخیر شبکه های عصبی بازگشتی بر روی توالی داده ها مورداستفاده قرار گرفته و نتایج خوبی در این حوزه بدست آورده اند. اما راهکارهای موجود، استواری کافی در مقابل نویز ندارند. این مقاله، به ارایه راهکاری برای تشخیص ناهنجاری در داده گرافی پویا با استفاده از شبکه های عصبی بازگشتی می پردازد که در مقابل نویز استوار بوده و با تغییرات داده ها تطبیق پذیری کافی را دارند. نسخه استوار ارایه شده از شبکه عصبی بازگشتی، به هدف مدیریت نویز، همزمان با یادگیری الگوی اصلی و تطبیق با تغییرات، ناهنجاری ها را استخراج و معرفی می کند. برای بررسی صحت عملکرد روش پیشنهادی، آزمایش هایی ارایه شده که قدرت تشخیص ناهنجاری و توان تطبیق یادگیرنده را در مقایسه با راهکارهای موجود می سنجد. نتایج، برتری روش پیشنهادی را تصدیق کرده است.