विसंगति का पता लगाना

विसंगति का पता लगाना उन डेटा बिंदुओं को चिह्नित करने के लिए मशीनों को सिखाने का अभ्यास है जो सामान्य पैटर्न से तेजी से विचलित होते हैं। यह मायने रखता है क्योंकि दुर्लभ, अप्रत्याशित घटनाएं - धोखाधड़ी, उपकरण विफलता, घुसपैठ - अक्सर नियमित डेटा के महासागर में छिपी होती हैं जिन्हें मनुष्य हाथ से स्कैन नहीं कर सकते हैं।

विसंगति का पता लगाना उन टिप्पणियों की पहचान करता है जो अपेक्षित व्यवहार के अनुरूप नहीं हैं, जिन्हें अक्सर आउटलेयर, नवीनताएं या अपवाद कहा जाता है। अधिकांश दृष्टिकोण पहले सीखते हैं कि 'सामान्य' कैसा दिखता है, फिर यह कितना भटकता है इसके आधार पर नया डेटा स्कोर करते हैं। सांख्यिकीय विधियाँ कुछ मानक विचलनों से परे बिंदुओं को चिह्नित करती हैं; दूरी-आधारित विधियाँ जैसे k-निकटतम पड़ोसी ध्वज बिंदु अपने साथियों से दूर; विरल क्षेत्रों में स्थानीय बाह्य कारक ध्वज बिंदु जैसी घनत्व विधियाँ। मशीन लर्निंग अलगाव वन जोड़ता है, जो इस तथ्य का फायदा उठाता है कि विसंगतियों को कुछ यादृच्छिक विभाजन और ऑटोएन्कोडर्स के साथ अलग करना आसान होता है, जो सामान्य डेटा को अच्छी तरह से पुनर्निर्माण करते हैं लेकिन असामान्य पर विफल होते हैं। एक मुख्य चुनौती यह है कि विसंगतियाँ दुर्लभ हैं और अक्सर लेबल रहित होती हैं, इसलिए मॉडलों को अधिकतर सामान्य उदाहरणों से सीखना चाहिए और 'सामान्य' की अस्पष्ट, विकसित होती परिभाषाओं को सहन करना चाहिए।