Методы обучения представлений для оптимальных процедур детектирования разладок в данных разной модальности

В анализе последовательных данных разладка обозначает момент резкого изменения распределения потока наблюдений. Быстрое обнаружение таких изменений имеет решающее значение в различных сценариях, от мониторинга промышленных сенсоров до сложного видеонаблюдения. Классические подходы к обнаружению изменений часто испытывают трудности с слабоструктурированными данными высоких размерностей, поскольку эти методы не в состоянии обрабатывать их сложную структуру без специальных представлений. Более того, даже при работе с традиционными числовыми рядами модели основываются на сильных допущениях, не учитывая специфику предметной области. В работе Евгении предложен набор решений для детектирования разладок через обучение представлений. Вводится новая теоретически обоснованная функция потерь, позволяющая получать вложения с помощью глубоких нейронных сетей. Эта функция потерь - компромисс между задержкой обнаружения изменения и временем до ложной тревоги. Она аппроксимирует классические строгие решения, но, в отличие от них, дифференцируема. Дополнительно изучаются индустриальные задачи на примере нефтегазовой отрасли, демонстрируя, как получать специальные вложения для задач определения разладок. В ходе всесторонних экспериментов на данных с индустриальных датчиков и видеонаблюдения показана важность содержательных представлений, адаптированных к задаче детектирования разладок. Примечательно, что даже анализ последовательностей с простой структурой выигрывает от использования корректных вложений, определяющих похожие и не похожие наблюдения. Предлагаемые решения превосходят существующие базовые методы. Будет представлена надежная методология для обнаружения разладок в различных типах данных, существенно превосходящая традиционные подходы, а также идеи и инструменты для будущих исследований.