Műszaki ÚTMUTATÓ

Egyosztályú SVM

Az egyosztályú SVM egy referenciaminta körüli határvonalat tanul meg, hogy megkülönböztesse a legtöbb képzési megfigyelést tartalmazó régiókat a jellemzőtér többi részétől.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. Az egyosztályú SVM jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Támogatja az újdonságok észlelését, amikor az anomáliák ritkák vagy nincsenek címkézve, de a kernelválasztás, a funkcióskálázás és a nu határozza meg a határt, és érvényesítést igényel.

Mély merülés

Az egyosztályú SVM az újdonságok észlelésével foglalkozik: ismerje meg a referencia-eloszlás leírását, és jelölje meg a jövőbeni pontokat, amelyek a támogatott régión kívül esnek. Ez különbözik a szabványos bináris SVM-től, mivel a képzés általában nem igényli mind a normál, mind az anomális osztályok címkézett példáit. Az algoritmus leképezi a megfigyeléseket egy jellemzőábrázoláson keresztül, majd megbecsül egy határt, amely a referenciaadatok egy meghatározott részét körülveszi, miközben szabályozza a modell összetettségét. A kernelfüggvények, mint például a radiális bázisfüggvény, nemlineáris határokat tesznek lehetővé. A módszer erősen függ az előfeldolgozástól. Az SVM-határok a jellemzőtér geometriáján alapulnak, így a nagy léptékű változók dominálhatnak, hacsak a jellemzők nincsenek megfelelően méretezve. Az RBF kernellel a gamma szabályozza, hogy milyen gyorsan csökken a hasonlóság a távolsággal; a nagy gamma erősen lokális, szabálytalan határvonalat eredményezhet, míg az alacsony gamma szélesebb befolyást eredményez. A regularizáció és a nu szintén befolyásolja a határkomplexitás és a külsőként kezelt megfigyelések közötti kompromisszumot. A Nu-t általában a képzési hibák hányadának felső korlátjaként és a támasztóvektorok töredékének alsó korlátjaként értelmezik, a megvalósíthatóságtól függően. Ez nem közvetlen becslése az anomália valós előfordulásának. A nu 0,05-re állító csapat modellezési toleranciát választott, de nem bizonyította, hogy a jövőbeni megfigyelések öt százaléka abnormális. A küszöbértékeket és a működési pontokat a felülvizsgálati kapacitás, a téves riasztások költségei és az érvényesítési adatok alapján kell kiválasztani. Az egyosztályú SVM akkor működhet, ha a betanítási adatok normális viselkedést képviselnek, és létezik egy hasznos határ. Ha a képzés sok anomáliát tartalmaz, a tanult régió felszívhatja azokat. Ha a normál folyamat megváltozik, egy rögzített határ újdonságként jelölheti a normál sodródást. Ha lehetséges, értékelje a későbbi megfigyeléseket vagy címkézett értékeléseket, vizsgálja meg a pontszám irányát és a kalibrálási korlátokat, és hasonlítsa össze az olyan alternatívákkal, mint az Isolation Forest. A kiugró pontszám egy kiválasztott modell határhelyzetének mértéke, nem pedig ok-okozati diagnózis vagy kockázati valószínűség.

Valós megvalósítás

A gyártó az egyosztályú SVM-et az ellenőrzött normál érzékelők leolvasására tanítja. A tanult határon kívül eső későbbi leolvasások megjelölésre kerülnek felülvizsgálatra; ez nem bizonyítja, hogy a berendezés meghibásodott.

Az elemző egy RBF kernelt használ a nemlineáris normáladat-határ ábrázolására. A gamma szabályozza, hogy mennyire lokális a képzési pontok befolyása, míg a jellemzők skálázása megváltoztatja a távolságok jelentését.

Egy csapat változtatja a nu-t, és magasabb beállítások mellett több, a határon kívülre sorolt ​​edzési pontot figyel meg. A Nu egy modellvezérlő, amely a betanítási hibafrakcióhoz és a támasz-vektor törtéhez kapcsolódik, nem ismert anomáliaarány.

A megfigyelési szolgáltatás illeszkedik a korábbi normál adatokhoz, és kiértékeli a jövőbeli rekordokat. A referencia-időszaknak a várható normál eltérést kell képviselnie, különben a jóindulatú eltolódás riasztásokat válthat ki.

Az egyosztályú SVM jövője

Az egyosztályú SVM-rendszerek működése biztonságosabb lehet, ha a csapatok fenntartják a kurált referencia-időszakot, a verzióskálázást és a kernelparamétereket, és összehasonlítják a jelzőket az áttekintett eredményekkel. Az elsodródás-figyelésnek meg kell különböztetnie a fokozatos normál változást az elszigetelt újdonságtól, mielőtt a határ automatikusan áttanulmányozná. A csapatok a tervezett felülvizsgálati kapacitással értékelhetik a riasztásokat, és modellezési választásként dokumentálhatják a nu-t. Az interfészeknek meg kell magyarázniuk, hogy egy pont kívül esik egy tanult referenciahatáron anélkül, hogy rosszindulatúnak vagy hibásnak jelölné. A ritka anomália címkékkel az időszakos szakértői felülvizsgálat fokozatosan javíthatja az értékelést, miközben megőrzi a különbséget az újdonság és a megerősített incidensek között.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the One-Class SVM quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az egyosztályú SVM?

Az egyosztályú SVM egy referenciaminta körüli határvonalat tanul meg, hogy megkülönböztesse a legtöbb képzési megfigyelést tartalmazó régiókat a jellemzőtér többi részétől. Támogatja az újdonságok észlelését, amikor az anomáliák ritkák vagy nincsenek címkézve, de a kernelválasztás, a funkcióskálázás és a nu határozza meg a határt, és érvényesítést igényel.

Milyen adatokat használ az egyosztályú SVM általában az újdonság határainak megismeréséhez?

Az újdonságfelismerés jellemzően a referenciamegfigyelések határai közé illeszkedik anélkül, hogy megjelölt anomáliákra lenne szükség.

Mit jelent egy későbbi pont a tanult határon kívül?

A határvonal megjelöl egy pontot a tanult normál támogatáson kívüliként, de nem bizonyítja annak okát vagy működési állapotát.

RBF kernel esetén mit vezérel a gamma?

A gamma beállítja az RBF kernel távolságskáláját, és befolyásolja a határterületet.

Hogyan kell a nu-t értelmezni a közös megfogalmazásban?

Nu korlátok képzési hibatört és támasz-vektor tört a készítményben; ez nem prevalenciabecslés.

Mi történhet, ha a referencia képzési adatok sok rendellenes pontot tartalmaznak?

A szennyezett referenciaadatok befolyásolhatják azt a régiót, amelyet a modell tipikusnak tanul.