অসঙ্গতি সনাক্তকরণ

It matters because rare, unexpected events — fraud, equipment failure, intrusions — often hide in oceans of routine data that humans cannot scan by hand.

অসঙ্গতি সনাক্তকরণ এমন পর্যবেক্ষণগুলিকে চিহ্নিত করে যা প্রত্যাশিত আচরণের সাথে সামঞ্জস্যপূর্ণ নয়, যাকে প্রায়শই আউটলায়ার, নতুনত্ব বা ব্যতিক্রম বলা হয়। বেশিরভাগ পন্থা প্রথমে 'স্বাভাবিক' দেখতে কেমন তা শিখে, তারপর এটি কতদূর বিচ্যুত হয়ে নতুন ডেটা স্কোর করে। পরিসংখ্যানগত পদ্ধতি কয়েকটি প্রমিত বিচ্যুতির বাইরে ফ্ল্যাগ পয়েন্ট; দূরত্ব-ভিত্তিক পদ্ধতি যেমন k- নিকটতম প্রতিবেশীরা তাদের সমবয়সীদের থেকে দূরে ফ্ল্যাগ পয়েন্ট; ঘনত্বের পদ্ধতি যেমন স্থানীয় আউটলায়ার ফ্যাক্টর পতাকা বিন্দু বিক্ষিপ্ত অঞ্চলে। মেশিন লার্নিং আইসোলেশন ফরেস্ট যোগ করে, যা এই সত্যকে কাজে লাগায় যে কিছু এলোমেলো বিভাজন এবং অটোএনকোডারগুলির সাথে অসঙ্গতিগুলিকে আলাদা করা সহজ, যা স্বাভাবিক ডেটা ভালভাবে পুনর্গঠন করে কিন্তু অস্বাভাবিকতার উপর ব্যর্থ হয়। একটি মূল চ্যালেঞ্জ হল যে অসঙ্গতিগুলি বিরল এবং প্রায়শই লেবেলবিহীন, তাই মডেলগুলিকে বেশিরভাগই স্বাভাবিক উদাহরণ থেকে শিখতে হবে এবং 'স্বাভাবিক'-এর অস্পষ্ট, বিকশিত সংজ্ঞা সহ্য করতে হবে।