तकनीकी गाइड
वन-क्लास एसवीएम
वन-क्लास एसवीएम एक संदर्भ नमूने के चारों ओर एक सीमा सीखता है, जिसका लक्ष्य अधिकांश प्रशिक्षण अवलोकन वाले क्षेत्रों को बाकी फीचर स्पेस से अलग करना है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
इस पृष्ठ पर3 मिनट लाल
सिंहावलोकन
यह नवीनता का पता लगाने का समर्थन करता है जब विसंगतियां दुर्लभ होती हैं या लेबल रहित होती हैं, लेकिन कर्नेल विकल्प, फीचर स्केलिंग और एनयू सीमा निर्धारित करते हैं और सत्यापन की आवश्यकता होती है।
गहरा गोता
वन-क्लास एसवीएम नवीनता का पता लगाने को संबोधित करता है: एक संदर्भ वितरण का विवरण जानें और इसके समर्थित क्षेत्र के बाहर आने वाले भविष्य के बिंदुओं को चिह्नित करें। यह एक मानक बाइनरी एसवीएम से भिन्न है क्योंकि प्रशिक्षण के लिए आमतौर पर सामान्य और असामान्य दोनों वर्गों के लेबल वाले उदाहरणों की आवश्यकता नहीं होती है। एल्गोरिदम एक फीचर प्रतिनिधित्व के माध्यम से अवलोकनों को मैप करता है, फिर एक सीमा का अनुमान लगाता है जो मॉडल जटिलता को नियंत्रित करते हुए संदर्भ डेटा के एक निर्दिष्ट हिस्से को घेरता है। कर्नेल फ़ंक्शन, जैसे रेडियल आधार फ़ंक्शन, गैर-रेखीय सीमाओं की अनुमति देते हैं। विधि बहुत हद तक प्रीप्रोसेसिंग पर निर्भर करती है। एसवीएम सीमाएँ फ़ीचर स्पेस में ज्यामिति पर आधारित होती हैं, इसलिए जब तक फ़ीचर को उचित रूप से स्केल नहीं किया जाता है, तब तक बड़े पैमाने वाले चर हावी हो सकते हैं। आरबीएफ कर्नेल के साथ, गामा नियंत्रित करता है कि दूरी के साथ समानता कितनी तेजी से घटती है; उच्च गामा अत्यधिक स्थानीय, अनियमित सीमा उत्पन्न कर सकता है, जबकि निम्न गामा व्यापक प्रभाव उत्पन्न करता है। नियमितीकरण और एनयू सीमा जटिलता और बाहरी मानी जाने वाली टिप्पणियों के बीच व्यापार को भी प्रभावित करते हैं। एनयू की व्याख्या आमतौर पर प्रशिक्षण त्रुटियों के अंश पर ऊपरी सीमा और फॉर्मूलेशन में समर्थन वैक्टर के अंश पर निचली सीमा के रूप में की जाती है, जो व्यवहार्यता के अधीन है। यह वास्तविक विसंगति व्यापकता का प्रत्यक्ष अनुमान नहीं है। एनयू को 0.05 पर सेट करने वाली एक टीम ने एक मॉडलिंग सहिष्णुता को चुना है, यह साबित नहीं हुआ है कि भविष्य के पांच प्रतिशत अवलोकन असामान्य हैं। समीक्षा क्षमता, झूठी चेतावनी लागत और सत्यापन डेटा के आधार पर थ्रेसहोल्ड और ऑपरेटिंग पॉइंट चुने जाने चाहिए। वन-क्लास एसवीएम तब काम कर सकता है जब प्रशिक्षण डेटा सामान्य व्यवहार का प्रतिनिधित्व करता है और एक उपयोगी सीमा मौजूद होती है। यदि प्रशिक्षण में कई विसंगतियाँ शामिल हैं, तो सीखा हुआ क्षेत्र उन्हें अवशोषित कर सकता है। यदि सामान्य प्रक्रिया बदलती है, तो एक निश्चित सीमा सामान्य बहाव को नवीनता के रूप में लेबल कर सकती है। जब संभव हो तो बाद के अवलोकनों या लेबल की गई समीक्षाओं का मूल्यांकन करें, स्कोर दिशा और अंशांकन सीमाओं की जांच करें, और अलगाव वन जैसे विकल्पों के साथ तुलना करें। एक बाह्य स्कोर एक चयनित मॉडल के तहत सीमा स्थिति का माप है, न कि कोई कारण निदान या जोखिम संभावना।
वास्तविक विश्व कार्यान्वयन
एक निर्माता निरीक्षण किए गए सामान्य सेंसर रीडिंग पर एक-श्रेणी एसवीएम को प्रशिक्षित करता है। बाद में सीखी गई सीमा के बाहर की रीडिंग को समीक्षा के लिए चिह्नित किया जाता है; इससे यह साबित नहीं होता कि उपकरण विफल हो गया।
एक विश्लेषक एक गैर-रेखीय सामान्य-डेटा सीमा का प्रतिनिधित्व करने के लिए आरबीएफ कर्नेल का उपयोग करता है। गामा नियंत्रित करता है कि प्रशिक्षण बिंदुओं का प्रभाव कितना स्थानीय है, जबकि फीचर स्केलिंग दूरियों के अर्थ को बदल देता है।
एक टीम अलग-अलग होती है और उच्च सेटिंग्स पर सीमा के बाहर वर्गीकृत अधिक प्रशिक्षण बिंदुओं का निरीक्षण करती है। एनयू प्रशिक्षण त्रुटि अंश और समर्थन-वेक्टर अंश से संबंधित एक मॉडल नियंत्रण है, न कि ज्ञात विसंगति दर।
एक निगरानी सेवा ऐतिहासिक सामान्य डेटा पर फिट बैठती है और भविष्य के रिकॉर्ड का मूल्यांकन करती है। संदर्भ अवधि को अपेक्षित सामान्य भिन्नता का प्रतिनिधित्व करना चाहिए, या सौम्य बहाव अलर्ट को ट्रिगर कर सकता है।
वन-क्लास एसवीएम का भविष्य
जब टीमें एक क्यूरेटेड संदर्भ अवधि, संस्करण स्केलिंग और कर्नेल पैरामीटर बनाए रखती हैं, और समीक्षा किए गए परिणामों के साथ झंडे की तुलना करती हैं, तो वन-क्लास एसवीएम सिस्टम संचालित करना सुरक्षित हो सकता है। सीमा को स्वचालित रूप से पुनः प्रशिक्षित करने से पहले बहाव निगरानी को पृथक नवीनता से क्रमिक सामान्य परिवर्तन को अलग करना चाहिए। टीमें इच्छित समीक्षा क्षमता पर अलर्ट का आकलन कर सकती हैं और एनयू को मॉडलिंग विकल्प के रूप में दस्तावेज़ित कर सकती हैं। इंटरफेस को यह समझाना चाहिए कि एक बिंदु किसी सीखी गई संदर्भ सीमा के बाहर आता है, बिना उस पर दुर्भावनापूर्ण या दोषपूर्ण लेबल लगाए। दुर्लभ विसंगति लेबल के साथ, समय-समय पर विशेषज्ञ समीक्षा नवीनता और पुष्टि की गई घटनाओं के बीच अंतर को संरक्षित करते हुए धीरे-धीरे मूल्यांकन में सुधार कर सकती है।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
- स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
- गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
का ध्यान रखें
- एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
- बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
- जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
अगले चरण
- कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
- यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
- त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
- स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the One-Class SVM quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
वन-क्लास एसवीएम क्या है?
वन-क्लास एसवीएम एक संदर्भ नमूने के चारों ओर एक सीमा सीखता है, जिसका लक्ष्य अधिकांश प्रशिक्षण अवलोकन वाले क्षेत्रों को बाकी फीचर स्पेस से अलग करना है। यह नवीनता का पता लगाने का समर्थन करता है जब विसंगतियां दुर्लभ होती हैं या लेबल रहित होती हैं, लेकिन कर्नेल विकल्प, फीचर स्केलिंग और एनयू सीमा निर्धारित करते हैं और सत्यापन की आवश्यकता होती है।
नवीनता सीमा जानने के लिए वन-क्लास एसवीएम आमतौर पर किस डेटा का उपयोग करता है?
नवीनता का पता लगाना आमतौर पर लेबल की गई विसंगतियों की आवश्यकता के बिना संदर्भ टिप्पणियों से एक सीमा को फिट करता है।
सीखी गई सीमा के बाहर बाद के बिंदु का क्या मतलब है?
सीमा एक बिंदु को बाहरी सीखे गए सामान्य समर्थन के रूप में चिह्नित करती है लेकिन इसके कारण या परिचालन स्थिति को साबित नहीं करती है।
आरबीएफ कर्नेल के लिए, गामा क्या नियंत्रित करता है?
गामा आरबीएफ कर्नेल की दूरी का पैमाना निर्धारित करता है और सीमा इलाके को प्रभावित करता है।
सामान्य सूत्रीकरण में नू की व्याख्या कैसे की जानी चाहिए?
सूत्रीकरण में एनयू सीमा प्रशिक्षण त्रुटि अंश और समर्थन-वेक्टर अंश; यह व्यापकता का अनुमान नहीं है.
यदि संदर्भ प्रशिक्षण डेटा में कई विसंगतिपूर्ण बिंदु हों तो क्या हो सकता है?
दूषित संदर्भ डेटा उस क्षेत्र को प्रभावित कर सकता है जिसे मॉडल सामान्य रूप से सीखता है।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं