Planlayın
Anomali tespiti, bir veri kümesinin norm veya standartlarından önemli ölçüde sapma gösteren veri noktalarının tanımlanmasına odaklanan bir konudur. Bu durum, düzensizliklerin tespit edilmesinin kritik önem taşıdığı İş Süreçleri Yönetimi (BPM) gibi birçok uygulama alanında anomali tespitini değerli kılar.
Bu çalışmada, grafik veriler üzerinde çalışan ve kenar indeksleri ile özniteliklerini kod çözme sürecine entegre ederek anomali tespitini iyileştiren, “Edge Information Assisted Decoder – EIAD” adı verilen yeni bir kod çözücü türü sunuyoruz. Önerilen yöntemin etkinliğini kanıtlamak ve farklı yaklaşımları karşılaştırmalı olarak değerlendirmek amacıyla toplam 8 kodlayıcı-kod çözücü kombinasyonu test edilmiştir.
En iyi kodlayıcı-kod çözücü kombinasyonu olan graph attention network (GAT) kodlayıcısı ile edge-conditioned convolution (ECC) kod çözücüsü, temel model olarak kullanılan çok katmanlı algılayıcı (MLP) kod çözücü modeliyle karşılaştırıldığında, en uygun optimizasyon yöntemiyle birlikte F1-skorda 0.31’lik bir artış sağlamış ve 0.32’den 0.63’e yükselmiştir. Ampirik sonuçlar, önerilen yaklaşımın grafik tabanlı anomali tespitinde önemli bir iyileşme sağlayabileceğini göstermektedir.
Daha fazla bilgi için makalemizi inceleyebilirsiniz:
