تشخيص برخط و استوار ناهنجاري با استفاده از شبكه عصبي بازگشتي

در بسياري از مسائل دنياي واقعي، داده، پويا و داراي نويز است. در چنين شرايطي تشخيص ناهنجاري بايد با يك مدل برخطي كه در مقابل نويز استوار است، انجام شود. در سال‌هاي اخير شبكه‌هاي عصبي بازگشتي بر روي توالي داده‌ها مورداستفاده قرار گرفته‌ و نتايج خوبي در اين حوزه بدست آورده‌اند. اما راهكارهاي موجود، استواري كافي در مقابل نويز ندارند. اين مقاله، به ارائه راهكاري براي تشخيص ناهنجاري در داده گرافي پويا با استفاده از شبكه‌هاي عصبي بازگشتي مي‌پردازد كه در مقابل نويز استوار بوده و با تغييرات داده‌ها تطبيق‌پذيري كافي را دارند. نسخه استوار ارائه شده از شبكه عصبي بازگشتي، به هدف مديريت نويز، همزمان با يادگيري الگوي اصلي و تطبيق با تغييرات، ناهنجاري‌ها را استخراج و معرفي مي‌كند. براي بررسي صحت ﻋﻤﻠﮑﺮد روش پيشنهادي، آزمايش‌هايي ارائه شده كه قدرت ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎري و توان ﺗﻄﺒﯿﻖ يادگيرنده را در مقايسه با راهكارهاي موجود مي‌سنجد. نتايج، برتري روش پيشنهادي را تصديق كرده اﺳت.