ತಿಳಿಯದ ಲೋಕವನ್ನು ಅನಾವರಣಗೊಳಿಸುವುದು: ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಆಳವಾದ ವಿಶ್ಲೇಷಣೆ

ಇಂದಿನ ದತ್ತಾಂಶ-ಸಂಪೂರಿತ ಜಗತ್ತಿನಲ್ಲಿ, ಸಾಮಾನ್ಯವಾದುದನ್ನು ಗುರುತಿಸುವುದು ಅಸಾಮಾನ್ಯವಾದುದನ್ನು ಗುರುತಿಸುವುದಕ್ಕಿಂತ ಸಾಮಾನ್ಯವಾಗಿ ಕಡಿಮೆ ಸವಾಲಿನದ್ದಾಗಿದೆ. ಅಸಂಗತತೆಗಳು, ಹೊರಗಿನವರು, ಅಥವಾ ಅಪರೂಪದ ಘಟನೆಗಳು ಆರ್ಥಿಕ ವಂಚನೆ ಮತ್ತು ಸೈಬರ್‌ಸುರಕ್ಷತಾ ಉಲ್ಲಂಘನೆಗಳಿಂದ ಹಿಡಿದು ಸಲಕರಣೆಗಳ ವೈಫಲ್ಯಗಳು ಮತ್ತು ವೈದ್ಯಕೀಯ ತುರ್ತು ಪರಿಸ್ಥಿತಿಗಳವರೆಗೆ ನಿರ್ಣಾಯಕ ಸಮಸ್ಯೆಗಳನ್ನು ಸೂಚಿಸಬಹುದು. ಅಸಂಗತತೆಗಳ ಲೇಬಲ್ ಮಾಡಲಾದ ಉದಾಹರಣೆಗಳು ಹೇರಳವಾಗಿರುವಾಗ ಮೇಲ್ವಿಚಾರಿತ ಕಲಿಕೆಯು ಉತ್ತಮವಾಗಿದ್ದರೂ, ನಿಜವಾದ ಅಸಂಗತತೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಅಪರೂಪವಾಗಿರುತ್ತವೆ, ಅವುಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಲೇಬಲ್ ಮಾಡಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಇಲ್ಲಿ ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಪ್ರವೇಶಿಸುತ್ತದೆ, ಅಸಂಗತತೆ ಎಂದರೇನು ಎಂಬುದರ ಕುರಿತು ಪೂರ್ವ ಜ್ಞಾನವಿಲ್ಲದೆ ಈ ಗುಪ್ತ ವಿಚಲನಗಳನ್ನು ಅನಾವರಣಗೊಳಿಸಲು ಪ್ರಬಲ ವಿಧಾನವನ್ನು ನೀಡುತ್ತದೆ.

ಈ ಸಮಗ್ರ ಮಾರ್ಗದರ್ಶಿಯು ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಆಕರ್ಷಕ ಕ್ಷೇತ್ರವನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಾವು ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ವಿವಿಧ ಅಲ್ಗಾರಿದಮ್ ವಿಧಾನಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ, ಅವುಗಳ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ವಿವಿಧ ಜಾಗತಿಕ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ ಅವುಗಳ ಅನ್ವಯದ ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ಉತ್ತಮ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ, ವರ್ಧಿತ ಭದ್ರತೆ ಮತ್ತು ಜಾಗತಿಕ ಮಟ್ಟದಲ್ಲಿ ಸುಧಾರಿತ ಕಾರ್ಯಾಚರಣೆಯ ದಕ್ಷತೆಗಾಗಿ ಈ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ನಿಮಗೆ ಜ್ಞಾನವನ್ನು ಒದಗಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ.

ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಎಂದರೇನು?

ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಮೂಲಭೂತವಾಗಿ, ಇದು ದತ್ತಾಂಶದ ನಿರೀಕ್ಷಿತ ಅಥವಾ ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ವಿಚಲನಗೊಳ್ಳುವ ದತ್ತಾಂಶ ಬಿಂದುಗಳು, ಘಟನೆಗಳು ಅಥವಾ ಅವಲೋಕನಗಳನ್ನು ಗುರುತಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಈ ವಿಚಲನಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಹೀಗೆ ಉಲ್ಲೇಖಿಸಲಾಗುತ್ತದೆ:

• ಔಟ್‌ಲೈಯರ್‌ಗಳು: ದತ್ತಾಂಶದ ಮುಖ್ಯ ಸಮೂಹದಿಂದ ದೂರವಿರುವ ದತ್ತಾಂಶ ಬಿಂದುಗಳು.
• ಅಸಂಗತತೆಗಳು: ಅಸಾಮಾನ್ಯ ಘಟನೆಗಳಿಗೆ ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಪದ.
• ವಿನಾಯಿತಿಗಳು: ಪೂರ್ವನಿರ್ಧರಿತ ನಿಯಮ ಅಥವಾ ಮಾದರಿಗೆ ಅನುಗುಣವಾಗಿರದ ದತ್ತಾಂಶ.
• ನವೀನತೆಗಳು: ಹಿಂದೆ ನೋಡಿದ ಸಾಮಾನ್ಯ ದತ್ತಾಂಶಕ್ಕಿಂತ ಭಿನ್ನವಾದ ಹೊಸ ದತ್ತಾಂಶ ಬಿಂದುಗಳು.

ಅಸಂಗತತೆಯ ಮಹತ್ವವು ಏನನ್ನಾದರೂ ಪ್ರಮುಖವಾಗಿ ಸೂಚಿಸುವ ಅದರ ಸಾಮರ್ಥ್ಯದಲ್ಲಿದೆ. ಈ ಜಾಗತಿಕ ಸನ್ನಿವೇಶಗಳನ್ನು ಪರಿಗಣಿಸಿ:

• ಹಣಕಾಸು: ಅಸಾಮಾನ್ಯವಾಗಿ ದೊಡ್ಡ ಅಥವಾ ಆಗಾಗ್ಗೆ ವಹಿವಾಟುಗಳು ವಿಶ್ವಾದ್ಯಂತ ಬ್ಯಾಂಕಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಮೋಸದ ಚಟುವಟಿಕೆಯನ್ನು ಸೂಚಿಸಬಹುದು.
• ಸೈಬರ್‌ಸುರಕ್ಷತೆ: ಅನಿರೀಕ್ಷಿತ ಸ್ಥಳದಿಂದ ನೆಟ್‌ವರ್ಕ್ ಟ್ರಾಫಿಕ್‌ನಲ್ಲಿ ಹಠಾತ್ ಏರಿಕೆ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಂಸ್ಥೆಯ ಮೇಲೆ ಸೈಬರ್‌ದಾಳಿಯನ್ನು ಸೂಚಿಸಬಹುದು.
• ಉತ್ಪಾದನೆ: ಜರ್ಮನಿಯ ಉತ್ಪಾದನಾ ಮಾರ್ಗದಲ್ಲಿನ ಯಂತ್ರದ ಕಂಪನ ಮಾದರಿಗಳಲ್ಲಿನ ಸೂಕ್ಷ್ಮ ಬದಲಾವಣೆಯು ನಿರ್ಣಾಯಕ ವೈಫಲ್ಯಕ್ಕೆ ಮುಂಚಿತವಾಗಿರಬಹುದು.
• ಆರೋಗ್ಯ ರಕ್ಷಣೆ: ಜಪಾನ್‌ನಲ್ಲಿ ಧರಿಸಬಹುದಾದ ಸಾಧನಗಳಿಂದ ಪತ್ತೆಯಾದ ಅನಿಯಮಿತ ರೋಗಿಯ ಪ್ರಮುಖ ಚಿಹ್ನೆಗಳು ವೈದ್ಯಕೀಯ ವೃತ್ತಿಪರರಿಗೆ ಮುಂಬರುವ ಆರೋಗ್ಯ ಬಿಕ್ಕಟ್ಟಿನ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡಬಹುದು.
• ಇ-ಕಾಮರ್ಸ್: ಜಾಗತಿಕ ಚಿಲ್ಲರೆ ವೇದಿಕೆಯಲ್ಲಿ ವೆಬ್‌ಸೈಟ್ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಹಠಾತ್ ಕುಸಿತ ಅಥವಾ ದೋಷ ದರಗಳಲ್ಲಿ ಅಸಾಮಾನ್ಯ ಏರಿಕೆ ಎಲ್ಲೆಡೆ ಗ್ರಾಹಕರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ತಾಂತ್ರಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಸೂಚಿಸಬಹುದು.

ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಸವಾಲು

ಅನೇಕ ಅಂಶಗಳಿಂದಾಗಿ ಅಸಂಗತತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಸಹಜವಾಗಿಯೇ ಸವಾಲಿನ ಸಂಗತಿಯಾಗಿದೆ:

• ಅಪರೂಪ: ಅಸಂಗತತೆಗಳು, ವ್ಯಾಖ್ಯಾನದಂತೆ, ಅಪರೂಪವಾಗಿರುತ್ತವೆ. ಇದು ಮೇಲ್ವಿಚಾರಿತ ಕಲಿಕೆಗಾಗಿ ಸಾಕಷ್ಟು ಉದಾಹರಣೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದನ್ನು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ.
• ವೈವಿಧ್ಯತೆ: ಅಸಂಗತತೆಗಳು ಅಸಂಖ್ಯಾತ ರೀತಿಯಲ್ಲಿ ವ್ಯಕ್ತವಾಗಬಹುದು ಮತ್ತು ಅಸಂಗತ ಎಂದು ಪರಿಗಣಿಸಲಾಗುವ ಸಂಗತಿ ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು.
• ಶಬ್ದ: ದತ್ತಾಂಶದಲ್ಲಿನ ಯಾದೃಚ್ಛಿಕ ಶಬ್ದದಿಂದ ನಿಜವಾದ ಅಸಂಗತತೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ದೃಢವಾದ ವಿಧಾನಗಳು ಬೇಕಾಗುತ್ತವೆ.
• ಹೆಚ್ಚಿನ ಆಯಾಮ: ಹೆಚ್ಚಿನ ಆಯಾಮದ ದತ್ತಾಂಶದಲ್ಲಿ, ಒಂದು ಆಯಾಮದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಾಣುವುದು ಇನ್ನೊಂದು ಆಯಾಮದಲ್ಲಿ ಅಸಂಗತವಾಗಿರಬಹುದು, ಇದು ದೃಶ್ಯ ಪರಿಶೀಲನೆಯನ್ನು ಅಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.
• ಪರಿಕಲ್ಪನೆಯ ಬದಲಾವಣೆ: 'ಸಾಮಾನ್ಯ' ದ ವ್ಯಾಖ್ಯಾನವು ವಿಕಸನಗೊಳ್ಳಬಹುದು, ಮಾದರಿಗಳು ಬದಲಾಗುತ್ತಿರುವ ಮಾದರಿಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ.

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ: ಲೇಬಲ್‌ಗಳಿಲ್ಲದೆ ಕಲಿಯುವ ಶಕ್ತಿ

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಹೆಚ್ಚಿನ ದತ್ತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿದೆ ಮತ್ತು ಅಸಂಗತತೆಗಳು ಈ ನಿಯಮದಿಂದ ವಿಚಲನಗೊಳ್ಳುವ ಅಪರೂಪದ ದತ್ತಾಂಶ ಬಿಂದುಗಳಾಗಿವೆ ಎಂಬ ಊಹೆಯ ಅಡಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. 'ಸಾಮಾನ್ಯ' ದತ್ತಾಂಶದ ಅಂತರ್ಗತ ರಚನೆ ಅಥವಾ ವಿತರಣೆಯನ್ನು ಕಲಿಯುವುದು ಮತ್ತು ನಂತರ ಈ ಕಲಿತ ಪ್ರಾತಿನಿಧ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿರದ ಬಿಂದುಗಳನ್ನು ಗುರುತಿಸುವುದು ಮೂಲ ಕಲ್ಪನೆಯಾಗಿದೆ. ಲೇಬಲ್ ಮಾಡಲಾದ ಅಸಂಗತ ದತ್ತಾಂಶವು ವಿರಳವಾದಾಗ ಅಥವಾ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದಿದ್ದಾಗ ಈ ವಿಧಾನವು ನಂಬಲಾಗದಷ್ಟು ಮೌಲ್ಯಯುತವಾಗಿದೆ.

ನಾವು ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ತಂತ್ರಗಳನ್ನು ಅವುಗಳ ಆಧಾರವಾಗಿರುವ ತತ್ವಗಳ ಆಧಾರದ ಮೇಲೆ ಕೆಲವು ಮುಖ್ಯ ಗುಂಪುಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು:

1. ಸಾಂದ್ರತೆ-ಆಧಾರಿತ ವಿಧಾನಗಳು

ಈ ವಿಧಾನಗಳು ಅಸಂಗತತೆಗಳು ದತ್ತಾಂಶದ ಸ್ಥಳಾವಕಾಶದ ಕಡಿಮೆ-ಸಾಂದ್ರತೆಯ ಪ್ರದೇಶಗಳಲ್ಲಿ ಇರುವ ಬಿಂದುಗಳಾಗಿವೆ ಎಂದು ಭಾವಿಸುತ್ತವೆ. ಒಂದು ದತ್ತಾಂಶ ಬಿಂದುವು ಕೆಲವು ನೆರೆಹೊರೆಯವರನ್ನು ಹೊಂದಿದ್ದರೆ ಅಥವಾ ಯಾವುದೇ ಸಮೂಹಗಳಿಂದ ದೂರವಿದ್ದರೆ, ಅದು ಅಸಂಗತತೆಯಾಗಿರುವ ಸಾಧ್ಯತೆಯಿದೆ.

a) ಲೋಕಲ್ ಔಟ್‌ಲೈಯರ್ ಫ್ಯಾಕ್ಟರ್ (LOF)

LOF ಎಂಬುದು ಜನಪ್ರಿಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದು ಅದರ ನೆರೆಹೊರೆಯವರಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ನಿರ್ದಿಷ್ಟ ದತ್ತಾಂಶ ಬಿಂದುವಿನ ಸ್ಥಳೀಯ ವಿಚಲನವನ್ನು ಅಳೆಯುತ್ತದೆ. ಇದು ದತ್ತಾಂಶ ಬಿಂದುವಿನ ನೆರೆಹೊರೆಯಲ್ಲಿನ ಬಿಂದುಗಳ ಸಾಂದ್ರತೆಯನ್ನು ಪರಿಗಣಿಸುತ್ತದೆ. ಒಂದು ಬಿಂದುವನ್ನು ಅದರ ಸ್ಥಳೀಯ ಸಾಂದ್ರತೆಯು ಅದರ ನೆರೆಹೊರೆಯವರ ಸಾಂದ್ರತೆಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಿದ್ದರೆ ಔಟ್‌ಲೈಯರ್ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಇದರರ್ಥ ಒಂದು ಬಿಂದುವು ಜಾಗತಿಕವಾಗಿ ದಟ್ಟವಾದ ಪ್ರದೇಶದಲ್ಲಿ ಇರಬಹುದಾದರೂ, ಅದರ ತಕ್ಷಣದ ನೆರೆಹೊರೆ ವಿರಳವಾಗಿದ್ದರೆ, ಅದನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಪ್ರತಿ ದತ್ತಾಂಶ ಬಿಂದುವಿಗೆ, LOF ಅದರ k-ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರಿಗೆ 'ತಲುಪುವಿಕೆ ದೂರ'ವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ನಂತರ ಅದು ಒಂದು ಬಿಂದುವಿನ ಸ್ಥಳೀಯ ತಲುಪುವಿಕೆ ಸಾಂದ್ರತೆಯನ್ನು ಅದರ ನೆರೆಹೊರೆಯವರ ಸರಾಸರಿ ಸ್ಥಳೀಯ ತಲುಪುವಿಕೆ ಸಾಂದ್ರತೆಗೆ ಹೋಲಿಸುತ್ತದೆ. LOF ಸ್ಕೋರ್ 1 ಕ್ಕಿಂತ ಹೆಚ್ಚಿದ್ದರೆ, ಆ ಬಿಂದುವು ಅದರ ನೆರೆಹೊರೆಯವರಿಗಿಂತ ವಿರಳವಾದ ಪ್ರದೇಶದಲ್ಲಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಇದು ಔಟ್‌ಲೈಯರ್ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಜಾಗತಿಕವಾಗಿ ಅಪರೂಪವಲ್ಲದಿದ್ದರೂ ಸ್ಥಳೀಯವಾಗಿ ವಿರಳವಾಗಿರುವ ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದು. ವಿವಿಧ ಸಾಂದ್ರತೆಗಳೊಂದಿಗೆ ದತ್ತಾಂಶಗಳನ್ನು ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ.
• ದೌರ್ಬಲ್ಯಗಳು: 'k' (ನೆರೆಹೊರೆಯವರ ಸಂಖ್ಯೆ) ಆಯ್ಕೆಗೆ ಸಂವೇದನಾಶೀಲ. ದೊಡ್ಡ ದತ್ತಾಂಶಗಳಿಗೆ ಗಣಕೀಯವಾಗಿ ತೀವ್ರವಾಗಿರುತ್ತದೆ.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಆಗ್ನೇಯ ಏಷ್ಯಾದ ಇ-ಕಾಮರ್ಸ್ ವೇದಿಕೆಯಲ್ಲಿ ಅಸಾಮಾನ್ಯ ಗ್ರಾಹಕ ನಡವಳಿಕೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು. ತಮ್ಮ ಸಾಮಾನ್ಯ ಮಾದರಿಗಿಂತ ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಉತ್ಪನ್ನ ವರ್ಗದಲ್ಲಿ ಅಥವಾ ಪ್ರದೇಶದಲ್ಲಿ ಹಠಾತ್ ಖರೀದಿಗಳನ್ನು ಮಾಡಲು ಪ್ರಾರಂಭಿಸುವ ಗ್ರಾಹಕರನ್ನು LOF ಗುರುತಿಸಬಹುದು, ಇದು ಖಾತೆಯ ರಾಜಿ ಅಥವಾ ಹೊಸ, ಅಸಾಮಾನ್ಯ ಆಸಕ್ತಿಯನ್ನು ಸೂಚಿಸಬಹುದು.

b) DBSCAN (ಶಬ್ದದೊಂದಿಗೆ ಅನ್ವಯಗಳ ಸಾಂದ್ರತೆ-ಆಧಾರಿತ ಪ್ರಾದೇಶಿಕ ಕ್ಲಸ್ಟರಿಂಗ್)

ಮುಖ್ಯವಾಗಿ ಕ್ಲಸ್ಟರಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದರೂ, DBSCAN ಅನ್ನು ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಗಾಗಿ ಸಹ ಬಳಸಬಹುದು. ಇದು ಕಡಿಮೆ ಸಾಂದ್ರತೆಯ ಪ್ರದೇಶಗಳಿಂದ ಬೇರ್ಪಟ್ಟ ದಟ್ಟವಾಗಿ ಪ್ಯಾಕ್ ಮಾಡಲಾದ ಬಿಂದುಗಳನ್ನು ಒಟ್ಟಿಗೆ ಗುಂಪು ಮಾಡುತ್ತದೆ. ಯಾವುದೇ ಕ್ಲಸ್ಟರ್‌ಗೆ ಸೇರದ ಬಿಂದುಗಳನ್ನು ಶಬ್ದ ಅಥವಾ ಔಟ್‌ಲೈಯರ್‌ಗಳು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: DBSCAN ಎರಡು ನಿಯತಾಂಕಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ: 'ಎಪ್ಸಿಲಾನ್' (ε), ಎರಡು ಮಾದರಿಗಳ ನಡುವಿನ ಗರಿಷ್ಠ ದೂರ, ಒಂದನ್ನು ಇನ್ನೊಂದರ ನೆರೆಹೊರೆಯಲ್ಲಿ ಎಂದು ಪರಿಗಣಿಸಲು, ಮತ್ತು 'min_samples', ಒಂದು ಬಿಂದುವನ್ನು ಕೋರ್ ಪಾಯಿಂಟ್ ಎಂದು ಪರಿಗಣಿಸಲು ನೆರೆಹೊರೆಯಲ್ಲಿನ ಮಾದರಿಗಳ ಸಂಖ್ಯೆ. ಯಾವುದೇ ಕೋರ್ ಪಾಯಿಂಟ್‌ನಿಂದ ತಲುಪಲಾಗದ ಬಿಂದುಗಳನ್ನು ಶಬ್ದ ಎಂದು ಗುರುತಿಸಲಾಗುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಯಾವುದೇ ಆಕಾರದ ಸಮೂಹಗಳನ್ನು ಹುಡುಕಬಹುದು ಮತ್ತು ಶಬ್ದ ಬಿಂದುಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಗುರುತಿಸಬಹುದು. ಸಮೂಹಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಅಗತ್ಯವಿಲ್ಲ.
• ದೌರ್ಬಲ್ಯಗಳು: ε ಮತ್ತು 'min_samples' ಆಯ್ಕೆಗೆ ಸಂವೇದನಾಶೀಲ. ವಿವಿಧ ಸಾಂದ್ರತೆಗಳ ದತ್ತಾಂಶಗಳೊಂದಿಗೆ ಹೆಣಗಾಡುತ್ತದೆ.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಜಾಗತಿಕ ಸೈಬರ್‌ಸುರಕ್ಷತಾ ಸಂದರ್ಭದಲ್ಲಿ ಅಸಾಮಾನ್ಯ ನೆಟ್‌ವರ್ಕ್ ಅತಿಕ್ರಮಣ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದು. DBSCAN ಸಾಮಾನ್ಯ ಟ್ರಾಫಿಕ್ ಮಾದರಿಗಳನ್ನು ಸಮೂಹಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು, ಮತ್ತು ಈ ದಟ್ಟವಾದ ಸಮೂಹಗಳ ಹೊರಗೆ ಬೀಳುವ ಯಾವುದೇ ಟ್ರಾಫಿಕ್ (ಅಂದರೆ, ಶಬ್ದವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ) ಹೊಸ ದಾಳಿಯ ವಾಹಕ ಅಥವಾ ಅಸಾಮಾನ್ಯ ಮೂಲದಿಂದ ಹುಟ್ಟಿಕೊಂಡ ಬಾಟ್‌ನೆಟ್ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು.

2. ದೂರ-ಆಧಾರಿತ ವಿಧಾನಗಳು

ಈ ವಿಧಾನಗಳು ಅಸಂಗತತೆಗಳನ್ನು ದತ್ತಾಂಶದಲ್ಲಿನ ಯಾವುದೇ ಇತರ ದತ್ತಾಂಶ ಬಿಂದುಗಳಿಂದ ದೂರವಿರುವ ದತ್ತಾಂಶ ಬಿಂದುಗಳೆಂದು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ. ಆಧಾರವಾಗಿರುವ ಊಹೆಯೆಂದರೆ ಸಾಮಾನ್ಯ ದತ್ತಾಂಶ ಬಿಂದುಗಳು ಪರಸ್ಪರ ಹತ್ತಿರದಲ್ಲಿರುತ್ತವೆ, ಆದರೆ ಅಸಂಗತತೆಗಳು ಪ್ರತ್ಯೇಕವಾಗಿರುತ್ತವೆ.

a) K-ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರ (KNN) ದೂರ

ಒಂದು ಸರಳ ವಿಧಾನವೆಂದರೆ ಪ್ರತಿ ದತ್ತಾಂಶ ಬಿಂದುವಿನಿಂದ ಅದರ k-ನೇ ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರಿಗೆ ದೂರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು. ತಮ್ಮ k-ನೇ ನೆರೆಹೊರೆಯವರಿಗೆ ಹೆಚ್ಚಿನ ದೂರವನ್ನು ಹೊಂದಿರುವ ಬಿಂದುಗಳನ್ನು ಔಟ್‌ಲೈಯರ್‌ಗಳು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಪ್ರತಿ ಬಿಂದುವಿಗೆ, ಅದರ k-ನೇ ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರಿಗೆ ದೂರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಒಂದು ನಿರ್ದಿಷ್ಟ ಮಿತಿಗಿಂತ ಹೆಚ್ಚಿನ ದೂರವನ್ನು ಹೊಂದಿರುವ ಅಥವಾ ಉನ್ನತ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣದಲ್ಲಿರುವ ಬಿಂದುಗಳನ್ನು ಅಸಂಗತತೆಗಳೆಂದು ಗುರುತಿಸಲಾಗುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸರಳ.
• ದೌರ್ಬಲ್ಯಗಳು: ದೊಡ್ಡ ದತ್ತಾಂಶಗಳಿಗೆ ಗಣಕೀಯವಾಗಿ ದುಬಾರಿಯಾಗಬಹುದು. 'k' ಆಯ್ಕೆಗೆ ಸಂವೇದನಾಶೀಲ. ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಥಳಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿರಬಹುದು (ಆಯಾಮದ ಶಾಪ).
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಮೋಸದ ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್ ವಹಿವಾಟುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು. ಒಂದು ವಹಿವಾಟು ಕಾರ್ಡುದಾರನ ವಿಶಿಷ್ಟ ವಹಿವಾಟು ಸಮೂಹದಿಂದ k-ನೇ ಹತ್ತಿರದ ವಹಿವಾಟಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ದೂರವಿದ್ದರೆ (ಖರ್ಚು ಮಾಡುವ ಮಾದರಿಗಳು, ಸ್ಥಳ, ಸಮಯ ಇತ್ಯಾದಿಗಳ ವಿಷಯದಲ್ಲಿ), ಅದನ್ನು ಗುರುತಿಸಬಹುದು.

3. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು

ಈ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯವಾಗಿ 'ಸಾಮಾನ್ಯ' ದತ್ತಾಂಶವು ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿತರಣೆಯನ್ನು (ಉದಾಹರಣೆಗೆ, ಗಾಸಿಯನ್) ಅನುಸರಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸುತ್ತವೆ. ಈ ವಿತರಣೆಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ವಿಚಲನಗೊಳ್ಳುವ ಬಿಂದುಗಳನ್ನು ಅಸಂಗತತೆಗಳು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

a) ಗಾಸಿಯನ್ ಮಿಶ್ರಣ ಮಾದರಿಗಳು (GMM)

GMM ದತ್ತಾಂಶವು ಹಲವಾರು ಗಾಸಿಯನ್ ವಿತರಣೆಗಳ ಮಿಶ್ರಣದಿಂದ ಉತ್ಪತ್ತಿಯಾಗಿದೆ ಎಂದು ಭಾವಿಸುತ್ತದೆ. ಕಲಿತ GMM ಅಡಿಯಲ್ಲಿ ಕಡಿಮೆ ಸಂಭವನೀಯತೆಯನ್ನು ಹೊಂದಿರುವ ಬಿಂದುಗಳನ್ನು ಅಸಂಗತತೆಗಳು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: GMM ದತ್ತಾಂಶಕ್ಕೆ ಗಾಸಿಯನ್ ವಿತರಣೆಗಳ ಒಂದು ಗುಂಪನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. ನಂತರ ಅಳವಡಿಸಲಾದ ಮಾದರಿಯ ಸಂಭವನೀಯತೆ ಸಾಂದ್ರತೆಯ ಕಾರ್ಯವನ್ನು (PDF) ಪ್ರತಿ ದತ್ತಾಂಶ ಬಿಂದುವನ್ನು ಸ್ಕೋರ್ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ. ಬಹಳ ಕಡಿಮೆ ಸಂಭವನೀಯತೆಗಳನ್ನು ಹೊಂದಿರುವ ಬಿಂದುಗಳನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಸಂಕೀರ್ಣ, ಬಹು-ಮಾದರಿ ವಿತರಣೆಗಳನ್ನು ಮಾದರಿ ಮಾಡಬಹುದು. ಅಸಂಗತತೆಯ ಸಂಭವನೀಯ ಅಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
• ದೌರ್ಬಲ್ಯಗಳು: ದತ್ತಾಂಶವು ಗಾಸಿಯನ್ ಘಟಕಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗಿದೆ ಎಂದು ಭಾವಿಸುತ್ತದೆ, ಇದು ಯಾವಾಗಲೂ ನಿಜವಾಗಿರಬೇಕಾಗಿಲ್ಲ. ಪ್ರಾರಂಭ ಮತ್ತು ಘಟಕಗಳ ಸಂಖ್ಯೆಗೆ ಸಂವೇದನಾಶೀಲ.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಜಾಗತಿಕ ಪೂರೈಕೆ ಸರಣಿಯಲ್ಲಿನ ಕೈಗಾರಿಕಾ ಉಪಕರಣಗಳಿಂದ ಸಂವೇದಕ ದತ್ತಾಂಶವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು. GMM ಸಂವೇದಕಗಳ ಸಾಮಾನ್ಯ ಕಾರ್ಯಾಚರಣೆಯ ನಿಯತಾಂಕಗಳನ್ನು (ತಾಪಮಾನ, ಒತ್ತಡ, ಕಂಪನ) ಮಾದರಿ ಮಾಡಬಹುದು. ಒಂದು ಸಂವೇದಕ ಓದುವಿಕೆಯು ಕಲಿತ ವಿತರಣೆಯ ಕಡಿಮೆ-ಸಂಭವನೀಯತೆಯ ಪ್ರದೇಶಕ್ಕೆ ಬಿದ್ದರೆ, ಅದು ಅಸಮರ್ಪಕ ಕಾರ್ಯ ಅಥವಾ ಅಸಹಜ ಕಾರ್ಯಾಚರಣೆಯ ಸ್ಥಿತಿಯನ್ನು ಸೂಚಿಸಬಹುದು, ಅದು ತನಿಖೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ, ಅದು ಮಿತಿಮೀರಿದ ಅಥವಾ ಮಿತಿಮೀರದ ಸನ್ನಿವೇಶವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆ.

b) ಒನ್-ಕ್ಲಾಸ್ SVM (ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್)

ಒನ್-ಕ್ಲಾಸ್ SVM ಅನ್ನು 'ಸಾಮಾನ್ಯ' ದತ್ತಾಂಶ ಬಿಂದುಗಳ ಬಹುಪಾಲು ಒಳಗೊಂಡಿರುವ ಗಡಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ಗಡಿಯ ಹೊರಗೆ ಬೀಳುವ ಯಾವುದೇ ಬಿಂದುವನ್ನು ಅಸಂಗತತೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಇದು ದತ್ತಾಂಶವನ್ನು ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಥಳಕ್ಕೆ ನಕ್ಷೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಅದು ಮೂಲದಿಂದ ದತ್ತಾಂಶವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಹೈಪರ್‌ಪ್ಲೇನ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಮೂಲದ ಸುತ್ತಲಿನ ಪ್ರದೇಶವನ್ನು 'ಸಾಮಾನ್ಯ' ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಥಳಗಳಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ. ಸಂಕೀರ್ಣ ರೇಖಾತ್ಮಕವಲ್ಲದ ಗಡಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು.
• ದೌರ್ಬಲ್ಯಗಳು: ಕರ್ನಲ್ ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಆಯ್ಕೆಗೆ ಸಂವೇದನಾಶೀಲ. ಬಹಳ ದೊಡ್ಡ ದತ್ತಾಂಶಗಳಿಗೆ ಗಣಕೀಯವಾಗಿ ದುಬಾರಿಯಾಗಬಹುದು.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಜಾಗತಿಕವಾಗಿ ವ್ಯವಹಾರಗಳಿಂದ ಬಳಸಲಾಗುವ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ವೇದಿಕೆಯಲ್ಲಿ ಅಸಂಗತ ಬಳಕೆದಾರ ಚಟುವಟಿಕೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು. ಒನ್-ಕ್ಲಾಸ್ SVM ದೃಢೀಕೃತ ಬಳಕೆದಾರರಿಗಾಗಿ ಸಂಪನ್ಮೂಲಗಳ (CPU, ಮೆಮೊರಿ, ನೆಟ್‌ವರ್ಕ್ I/O) 'ಸಾಮಾನ್ಯ' ಬಳಕೆಯ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಬಹುದು. ಈ ಕಲಿತ ಪ್ರೊಫೈಲ್‌ನಿಂದ ಗಮನಾರ್ಹವಾಗಿ ವಿಚಲನಗೊಳ್ಳುವ ಯಾವುದೇ ಬಳಕೆಯು ರಾಜಿ ಮಾಡಿಕೊಂಡ ರುಜುವಾತುಗಳು ಅಥವಾ ದುರುದ್ದೇಶಪೂರಿತ ಆಂತರಿಕ ಚಟುವಟಿಕೆಯನ್ನು ಸೂಚಿಸಬಹುದು.

4. ಟ್ರೀ-ಆಧಾರಿತ ವಿಧಾನಗಳು

ಈ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಅಸಂಗತತೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಮರಗಳ ಸಮೂಹವನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಅಸಂಗತತೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಮರಗಳ ಮೂಲಕ್ಕೆ ಹತ್ತಿರದಲ್ಲಿ ಕಂಡುಬರುತ್ತವೆ ಏಕೆಂದರೆ ಅವುಗಳನ್ನು ಉಳಿದ ದತ್ತಾಂಶದಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದು ಸುಲಭ.

a) ಐಸೋಲೇಶನ್ ಫಾರೆಸ್ಟ್

ಐಸೋಲೇಶನ್ ಫಾರೆಸ್ಟ್ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಗೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ದಕ್ಷ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ. ಇದು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಒಂದು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ನಂತರ ಆ ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಒಂದು ವಿಭಜಿತ ಮೌಲ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಅಸಂಗತತೆಗಳು, ಕಡಿಮೆ ಮತ್ತು ಭಿನ್ನವಾಗಿರುವುದರಿಂದ, ಕಡಿಮೆ ಹಂತಗಳಲ್ಲಿ (ಮರದ ಮೂಲಕ್ಕೆ ಹತ್ತಿರ) ಪ್ರತ್ಯೇಕಗೊಳ್ಳುತ್ತವೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಇದು 'ಐಸೋಲೇಶನ್ ಟ್ರೀ'ಗಳ ಸಮೂಹವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. ಪ್ರತಿ ಮರಕ್ಕೆ, ದತ್ತಾಂಶ ಬಿಂದುಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಒಂದು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮತ್ತು ವಿಭಜಿತ ಮೌಲ್ಯವನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ಪುನರಾವರ್ತಿತವಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ. ಮೂಲ ನೋಡ್‌ನಿಂದ ದತ್ತಾಂಶ ಬಿಂದುವು ಕೊನೆಗೊಳ್ಳುವ ಟರ್ಮಿನಲ್ ನೋಡ್‌ಗೆ ಇರುವ ಮಾರ್ಗವು 'ಅಸಂಗತತೆ ಸ್ಕೋರ್' ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಕಡಿಮೆ ಮಾರ್ಗಗಳು ಅಸಂಗತತೆಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಹೆಚ್ಚು ದಕ್ಷ ಮತ್ತು ಸ್ಕೇಲೆಬಲ್, ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ದತ್ತಾಂಶಗಳಿಗೆ. ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಥಳಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಕೆಲವು ನಿಯತಾಂಕಗಳು ಬೇಕಾಗುತ್ತವೆ.
• ದೌರ್ಬಲ್ಯಗಳು: ಸ್ಥಳೀಯವಾಗಿ ಪ್ರತ್ಯೇಕಿಸದ ಜಾಗತಿಕ ಅಸಂಗತತೆಗಳೊಂದಿಗೆ ಹೆಣಗಾಡಬಹುದು. ಅಪ್ರಸ್ತುತ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸಂವೇದನಾಶೀಲವಾಗಿರಬಹುದು.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಯುರೋಪ್‌ನಲ್ಲಿನ ಸ್ಮಾರ್ಟ್ ಸಿಟಿ ಮೂಲಸೌಕರ್ಯದಾದ್ಯಂತ IoT ಸಾಧನ ದತ್ತಾಂಶ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು. ಐಸೋಲೇಶನ್ ಫಾರೆಸ್ಟ್ ಸಾವಿರಾರು ಸಂವೇದಕಗಳಿಂದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ, ಹೆಚ್ಚಿನ ವೇಗದ ದತ್ತಾಂಶವನ್ನು ತ್ವರಿತವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು. ಅದರ ಪ್ರಕಾರ ಮತ್ತು ಸ್ಥಳಕ್ಕೆ ನಿರೀಕ್ಷಿತ ವ್ಯಾಪ್ತಿ ಅಥವಾ ಮಾದರಿಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಭಿನ್ನವಾದ ಮೌಲ್ಯವನ್ನು ವರದಿ ಮಾಡುವ ಸಂವೇದಕವನ್ನು ಮರಗಳಲ್ಲಿ ತ್ವರಿತವಾಗಿ ಪ್ರತ್ಯೇಕಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ, ಇದು ತಪಾಸಣೆಗಾಗಿ ಎಚ್ಚರಿಕೆಯನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ.

5. ಪುನರ್ನಿರ್ಮಾಣ-ಆಧಾರಿತ ವಿಧಾನಗಳು (ಆಟೋಎನ್‌ಕೋಡರ್‌ಗಳು)

ಆಟೋಎನ್‌ಕೋಡರ್‌ಗಳು ತಮ್ಮ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ತರಬೇತಿ ಪಡೆದ ನರ ಜಾಲಗಳಾಗಿವೆ. ಅವುಗಳನ್ನು ಸಾಮಾನ್ಯ ದತ್ತಾಂಶದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಅಸಂಗತ ದತ್ತಾಂಶವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ಅವು ಅದನ್ನು ನಿಖರವಾಗಿ ಪುನರ್ನಿರ್ಮಿಸಲು ಹೆಣಗಾಡುತ್ತವೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಹೆಚ್ಚಿನ ಪುನರ್ನಿರ್ಮಾಣ ದೋಷ ಉಂಟಾಗುತ್ತದೆ.

a) ಆಟೋಎನ್‌ಕೋಡರ್‌ಗಳು

ಆಟೋಎನ್‌ಕೋಡರ್ ಎನ್‌ಕೋಡರ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಇನ್‌ಪುಟ್ ಅನ್ನು ಕಡಿಮೆ-ಆಯಾಮದ ಲೇಟೆಂಟ್ ಪ್ರಾತಿನಿಧ್ಯಕ್ಕೆ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಈ ಪ್ರಾತಿನಿಧ್ಯದಿಂದ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪುನರ್ನಿರ್ಮಿಸುವ ಡಿಕೋಡರ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಸಾಮಾನ್ಯ ದತ್ತಾಂಶದಲ್ಲಿ ಮಾತ್ರ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ, ಆಟೋಎನ್‌ಕೋಡರ್ ಸಾಮಾನ್ಯತೆಯ ಅಗತ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲು ಕಲಿಯುತ್ತದೆ. ಅಸಂಗತತೆಗಳು ಹೆಚ್ಚಿನ ಪುನರ್ನಿರ್ಮಾಣ ದೋಷಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ.

• ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಪ್ರಧಾನವಾಗಿ ಸಾಮಾನ್ಯವೆಂದು ಭಾವಿಸಲಾದ ದತ್ತಾಂಶದ ಮೇಲೆ ಆಟೋಎನ್‌ಕೋಡರ್ ಅನ್ನು ತರಬೇತಿ ನೀಡಿ. ನಂತರ, ಯಾವುದೇ ಹೊಸ ದತ್ತಾಂಶ ಬಿಂದುವಿಗೆ, ಅದನ್ನು ಆಟೋಎನ್‌ಕೋಡರ್ ಮೂಲಕ ಹಾದುಹೋಗಿಸಿ ಮತ್ತು ಪುನರ್ನಿರ್ಮಾಣ ದೋಷವನ್ನು (ಉದಾಹರಣೆಗೆ, ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ನಡುವಿನ ಮೀನ್ ಸ್ಕ್ವೇರ್ಡ್ ಎರರ್) ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಹೆಚ್ಚಿನ ಪುನರ್ನಿರ್ಮಾಣ ದೋಷವನ್ನು ಹೊಂದಿರುವ ದತ್ತಾಂಶ ಬಿಂದುಗಳನ್ನು ಅಸಂಗತತೆಗಳೆಂದು ಗುರುತಿಸಲಾಗುತ್ತದೆ.
• ಸಾಮರ್ಥ್ಯಗಳು: ಸಾಮಾನ್ಯ ದತ್ತಾಂಶದ ಸಂಕೀರ್ಣ, ರೇಖಾತ್ಮಕವಲ್ಲದ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಕಲಿಯಬಹುದು. ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಥಳಗಳಲ್ಲಿ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಅಸಂಗತತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಪರಿಣಾಮಕಾರಿ.
• ದೌರ್ಬಲ್ಯಗಳು: ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಎಚ್ಚರಿಕೆಯ ಹೊಂದಾಣಿಕೆ ಅಗತ್ಯವಿದೆ. ತರಬೇತಿಗಾಗಿ ಗಣಕೀಯವಾಗಿ ತೀವ್ರವಾಗಬಹುದು. ಶಬ್ದಭರಿತ ಸಾಮಾನ್ಯ ದತ್ತಾಂಶಕ್ಕೆ ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳಬಹುದು.
• ಜಾಗತಿಕ ಅನ್ವಯದ ಉದಾಹರಣೆ: ಖಂಡಗಳಾದ್ಯಂತ ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಉಪಗ್ರಹ ಚಿತ್ರಣದಲ್ಲಿ ಅಸಾಮಾನ್ಯ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು. ಉದಾಹರಣೆಗೆ, ಅರಣ್ಯ ಪ್ರದೇಶದ ಸಾಮಾನ್ಯ ಉಪಗ್ರಹ ಚಿತ್ರಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಆಟೋಎನ್‌ಕೋಡರ್, ನಿರೀಕ್ಷಿತವಲ್ಲದ ಅರಣ್ಯನಾಶ, ಅಕ್ರಮ ಗಣಿಗಾರಿಕೆ ಚಟುವಟಿಕೆ ಅಥವಾ ದಕ್ಷಿಣ ಅಮೇರಿಕಾ ಅಥವಾ ಆಫ್ರಿಕಾದ ದೂರದ ಪ್ರದೇಶಗಳಲ್ಲಿ ಅಸಾಮಾನ್ಯ ಕೃಷಿ ಬದಲಾವಣೆಗಳನ್ನು ತೋರಿಸುವ ಚಿತ್ರಗಳಿಗೆ ಹೆಚ್ಚಿನ ಪುನರ್ನಿರ್ಮಾಣ ದೋಷವನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ.

ಜಾಗತಿಕ ಅನ್ವಯಗಳಿಗಾಗಿ ಸರಿಯಾದ ಅಲ್ಗಾರಿದಮ್ ಆಯ್ಕೆ

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ನ ಆಯ್ಕೆಯು ಹಲವಾರು ಅಂಶಗಳ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ:

• ದತ್ತಾಂಶದ ಸ್ವರೂಪ: ಇದು ಸಮಯ-ಸರಣಿ, ಕೋಷ್ಟಕ, ಚಿತ್ರ, ಪಠ್ಯವೇ? ಇದು ಅಂತರ್ಗತ ರಚನೆಯನ್ನು ಹೊಂದಿದೆಯೇ (ಉದಾಹರಣೆಗೆ, ಸಮೂಹಗಳು)?
• ಆಯಾಮ: ಹೆಚ್ಚಿನ ಆಯಾಮದ ದತ್ತಾಂಶವು ಐಸೋಲೇಶನ್ ಫಾರೆಸ್ಟ್ ಅಥವಾ ಆಟೋಎನ್‌ಕೋಡರ್‌ಗಳಂತಹ ವಿಧಾನಗಳನ್ನು ಆದ್ಯತೆ ನೀಡಬಹುದು.
• ದತ್ತಾಂಶದ ಗಾತ್ರ: ಕೆಲವು ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಇತರರಿಗಿಂತ ಹೆಚ್ಚು ಗಣಕೀಯವಾಗಿ ದುಬಾರಿಯಾಗಿವೆ.
• ಅಸಂಗತತೆಗಳ ಪ್ರಕಾರ: ನೀವು ಬಿಂದು ಅಸಂಗತತೆಗಳು, ಸಂದರ್ಭೋಚಿತ ಅಸಂಗತತೆಗಳು ಅಥವಾ ಸಾಮೂಹಿಕ ಅಸಂಗತತೆಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದೀರಾ?
• ವ್ಯಾಖ್ಯಾನ ಸಾಮರ್ಥ್ಯ: ಒಂದು ಬಿಂದುವನ್ನು ಅಸಂಗತ ಎಂದು ಏಕೆ ಗುರುತಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಎಷ್ಟು ಮುಖ್ಯ?
• ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವಶ್ಯಕತೆಗಳು: ನೈಜ-ಸಮಯದ ಪತ್ತೆಗೆ ಹೆಚ್ಚು ದಕ್ಷ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ.
• ಸಂಪನ್ಮೂಲಗಳ ಲಭ್ಯತೆ: ಗಣಕೀಯ ಶಕ್ತಿ, ಮೆಮೊರಿ ಮತ್ತು ಪರಿಣತಿ.

ಜಾಗತಿಕ ದತ್ತಾಂಶಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ, ಈ ಹೆಚ್ಚುವರಿ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸಿ:

• ದತ್ತಾಂಶ ವೈವಿಧ್ಯತೆ: ವಿವಿಧ ಪ್ರದೇಶಗಳ ದತ್ತಾಂಶವು ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳು ಅಥವಾ ಅಳತೆ ಮಾಪಕಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣ ನಿರ್ಣಾಯಕ.
• ಸಾಂಸ್ಕೃತಿಕ ಸೂಕ್ಷ್ಮತೆಗಳು: ಅಸಂಗತತೆ ಪತ್ತೆ ವಸ್ತುನಿಷ್ಠವಾಗಿದ್ದರೂ, 'ಸಾಮಾನ್ಯ' ಅಥವಾ 'ಅಸಹಜ' ಮಾದರಿ ಎಂದರೇನು ಎಂಬುದರ ವ್ಯಾಖ್ಯಾನವು ಕೆಲವೊಮ್ಮೆ ಸೂಕ್ಷ್ಮ ಸಾಂಸ್ಕೃತಿಕ ಪ್ರಭಾವಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಆದರೂ ತಾಂತ್ರಿಕ ಅಸಂಗತತೆ ಪತ್ತೆಯಲ್ಲಿ ಇದು ಕಡಿಮೆ ಸಾಮಾನ್ಯವಾಗಿದೆ.
• ನಿಯಂತ್ರಕ ಅನುಸರಣೆ: ಉದ್ಯಮ ಮತ್ತು ಪ್ರದೇಶವನ್ನು ಅವಲಂಬಿಸಿ, ದತ್ತಾಂಶ ನಿರ್ವಹಣೆ ಮತ್ತು ಅಸಂಗತತೆ ವರದಿ ಮಾಡುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ನಿರ್ದಿಷ್ಟ ನಿಯಮಗಳು ಇರಬಹುದು (ಉದಾಹರಣೆಗೆ, ಯುರೋಪ್‌ನಲ್ಲಿ GDPR, ಕ್ಯಾಲಿಫೋರ್ನಿಯಾದಲ್ಲಿ CCPA).

ಪ್ರಾಯೋಗಿಕ ಪರಿಗಣನೆಗಳು ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದು ಬೇಕು. ಇಲ್ಲಿ ಕೆಲವು ಪ್ರಮುಖ ಪರಿಗಣನೆಗಳು ಇವೆ:

1. ದತ್ತಾಂಶ ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ಪ್ರಮುಖವಾಗಿದೆ

• ಸ್ಕೇಲಿಂಗ್ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣ: ವೈಶಿಷ್ಟ್ಯಗಳು ಹೋಲಿಸಬಹುದಾದ ಮಾಪಕಗಳಲ್ಲಿವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. Min-Max ಸ್ಕೇಲಿಂಗ್ ಅಥವಾ ಸ್ಟ್ಯಾಂಡರ್ಡೈಸೇಶನ್‌ನಂತಹ ವಿಧಾನಗಳು ಅತ್ಯಗತ್ಯ, ವಿಶೇಷವಾಗಿ ದೂರ-ಆಧಾರಿತ ಮತ್ತು ಸಾಂದ್ರತೆ-ಆಧಾರಿತ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ.
• ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು: ನಿಮ್ಮ ದತ್ತಾಂಶ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಸೂಕ್ತವಾದ ತಂತ್ರವನ್ನು (ಇಂಪ್ಯುಟೇಶನ್, ತೆಗೆದುಹಾಕುವಿಕೆ) ನಿರ್ಧರಿಸಿ.
• ವೈಶಿಷ್ಟ್ಯ ಇಂಜಿನಿಯರಿಂಗ್: ಕೆಲವೊಮ್ಮೆ, ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸುವುದು ಅಸಂಗತತೆಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಸಮಯ-ಸರಣಿ ದತ್ತಾಂಶಕ್ಕಾಗಿ, ಇದು ವಿಳಂಬಿತ ಮೌಲ್ಯಗಳು ಅಥವಾ ರೋಲಿಂಗ್ ಅಂಕಿಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು.

2. 'ಸಾಮಾನ್ಯ' ದತ್ತಾಂಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ಲೇಬಲ್‌ರಹಿತ ವಿಧಾನಗಳ ಯಶಸ್ಸು ನಿಮ್ಮ ತರಬೇತಿ ದತ್ತಾಂಶದ ಬಹುಪಾಲು ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂಬ ಊಹೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ನಿಮ್ಮ ತರಬೇತಿ ದತ್ತಾಂಶವು ಗಮನಾರ್ಹ ಸಂಖ್ಯೆಯ ಅಸಂಗತತೆಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ಅಲ್ಗಾರಿದಮ್ ಇವುಗಳನ್ನು ಸಾಮಾನ್ಯವೆಂದು ಕಲಿಯಬಹುದು, ಅದರ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ದತ್ತಾಂಶ ಶುದ್ಧೀಕರಣ ಮತ್ತು ತರಬೇತಿ ಮಾದರಿಗಳ ಎಚ್ಚರಿಕೆಯ ಆಯ್ಕೆ ನಿರ್ಣಾಯಕ.

3. ಮಿತಿ ಆಯ್ಕೆ

ಹೆಚ್ಚಿನ ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಅಸಂಗತತೆ ಸ್ಕೋರ್ ಅನ್ನು ಔಟ್‌ಪುಟ್ ಮಾಡುತ್ತವೆ. ಒಂದು ಬಿಂದುವನ್ನು ಅಸಂಗತವೆಂದು ವರ್ಗೀಕರಿಸಲು ಸೂಕ್ತವಾದ ಮಿತಿಯನ್ನು ನಿರ್ಧರಿಸುವುದು ನಿರ್ಣಾಯಕ. ಇದು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪು ಧನಾತ್ಮಕ (ಸಾಮಾನ್ಯ ಬಿಂದುಗಳನ್ನು ಅಸಂಗತತೆಗಳೆಂದು ಗುರುತಿಸುವುದು) ಮತ್ತು ತಪ್ಪು ಋಣಾತ್ಮಕ (ನಿಜವಾದ ಅಸಂಗತತೆಗಳನ್ನು ತಪ್ಪಿಸುವುದು) ನಡುವಿನ ವಿನಿಮಯವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ತಂತ್ರಗಳು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:

• ಶೇಕಡಾವಾರು ಆಧಾರಿತ: ಒಂದು ನಿರ್ದಿಷ್ಟ ಶೇಕಡಾವಾರು ಬಿಂದುಗಳನ್ನು (ಉದಾಹರಣೆಗೆ, ಅಗ್ರ 1%) ಗುರುತಿಸುವಂತಹ ಮಿತಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
• ದೃಶ್ಯ ಪರಿಶೀಲನೆ: ಅಸಂಗತತೆ ಸ್ಕೋರ್‌ಗಳ ವಿತರಣೆಯನ್ನು ಪ್ಲಾಟ್ ಮಾಡುವುದು ಮತ್ತು ನೈಸರ್ಗಿಕ ಕಟ್‌ಆಫ್ ಅನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಗುರುತಿಸುವುದು.
• ಕ್ಷೇತ್ರ ಪರಿಣತಿ: ಸ್ವೀಕಾರಾರ್ಹ ಅಪಾಯದ ಆಧಾರದ ಮೇಲೆ ಅರ್ಥಪೂರ್ಣ ಮಿತಿಯನ್ನು ನಿಗದಿಪಡಿಸಲು ವಿಷಯ ತಜ್ಞರೊಂದಿಗೆ ಸಮಾಲೋಚಿಸುವುದು.

4. ಮೌಲ್ಯಮಾಪನ ಸವಾಲುಗಳು

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಮೂಲ ಸತ್ಯ (ಲೇಬಲ್ ಮಾಡಲಾದ ಅಸಂಗತತೆಗಳು) ಸಾಮಾನ್ಯವಾಗಿ ಲಭ್ಯವಿರುವುದಿಲ್ಲ. ಅದು ಲಭ್ಯವಿರುವಾಗ:

• ಮೆಟ್ರಿಕ್‌ಗಳು: ನಿಖರತೆ, ಮರುಪಡೆಯುವಿಕೆ, F1-ಸ್ಕೋರ್, ROC AUC, PR AUC ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ವರ್ಗ ಅಸಮತೋಲನ (ಕೆಲವು ಅಸಂಗತತೆಗಳು) ಫಲಿತಾಂಶಗಳನ್ನು ತಿರುಚಬಹುದು ಎಂಬುದನ್ನು ನೆನಪಿನಲ್ಲಿಡಿ.
• ಗುಣಾತ್ಮಕ ಮೌಲ್ಯಮಾಪನ: ಪರಿಶೀಲನೆಗಾಗಿ ಗುರುತಿಸಲಾದ ಅಸಂಗತತೆಗಳನ್ನು ಕ್ಷೇತ್ರ ತಜ್ಞರಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಅತ್ಯಂತ ಪ್ರಾಯೋಗಿಕ ವಿಧಾನವಾಗಿದೆ.

5. ಎನ್ಸೆಂಬಲ್ ವಿಧಾನಗಳು

ಹಲವಾರು ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ದೃಢವಾದ ಮತ್ತು ನಿಖರವಾದ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ವಿಭಿನ್ನ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ವಿಭಿನ್ನ ರೀತಿಯ ಅಸಂಗತತೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು. ಒಂದು ಎನ್ಸೆಂಬಲ್ ಪ್ರತಿಯೊಂದರ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು, ವೈಯಕ್ತಿಕ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

6. ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆ

'ಸಾಮಾನ್ಯ' ದ ವ್ಯಾಖ್ಯಾನವು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು (ಪರಿಕಲ್ಪನೆಯ ಬದಲಾವಣೆ). ಆದ್ದರಿಂದ, ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರಂತರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು. ನವೀಕರಿಸಿದ ದತ್ತಾಂಶದೊಂದಿಗೆ ಮಾದರಿಗಳನ್ನು ನಿಯತಕಾಲಿಕವಾಗಿ ಪುನರಾವರ್ತಿತ ತರಬೇತಿ ನೀಡುವುದು ಅಥವಾ ಹೊಂದಾಣಿಕೆಯ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ತಂತ್ರಗಳನ್ನು ಬಳಸುವುದು ಅವುಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಹೆಚ್ಚಾಗಿ ಅಗತ್ಯವಾಗಿರುತ್ತದೆ.

ತೀರ್ಮಾನ

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯು ನಮ್ಮ ದತ್ತಾಂಶ-ಚಾಲಿತ ಜಗತ್ತಿನಲ್ಲಿ ಅನಿವಾರ್ಯ ಸಾಧನವಾಗಿದೆ. ಸಾಮಾನ್ಯ ದತ್ತಾಂಶದ ಆಧಾರವಾಗಿರುವ ರಚನೆಯನ್ನು ಕಲಿಯುವ ಮೂಲಕ, ಈ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ವ್ಯಾಪಕವಾದ ಲೇಬಲ್ ಮಾಡಲಾದ ದತ್ತಾಂಶದ ಅಗತ್ಯವಿಲ್ಲದೆ ಗುಪ್ತ ಮಾದರಿಗಳನ್ನು ಅನಾವರಣಗೊಳಿಸಲು, ನಿರ್ಣಾಯಕ ವಿಚಲನಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಅಮೂಲ್ಯವಾದ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ನಮಗೆ ಅಧಿಕಾರ ನೀಡುತ್ತವೆ. ಹಣಕಾಸು ವ್ಯವಸ್ಥೆಗಳನ್ನು ರಕ್ಷಿಸುವುದರಿಂದ ಮತ್ತು ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಭದ್ರಪಡಿಸುವುದರಿಂದ ಹಿಡಿದು ಕೈಗಾರಿಕಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದು ಮತ್ತು ಆರೋಗ್ಯ ರಕ್ಷಣೆಯನ್ನು ಹೆಚ್ಚಿಸುವವರೆಗೆ, ಅನ್ವಯಗಳು ವಿಶಾಲವಾಗಿವೆ ಮತ್ತು ನಿರಂತರವಾಗಿ ವಿಸ್ತರಿಸುತ್ತಿವೆ.

ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯೊಂದಿಗೆ ನಿಮ್ಮ ಪ್ರಯಾಣವನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ, ಸಂಪೂರ್ಣ ದತ್ತಾಂಶ ಸಿದ್ಧತೆ, ಎಚ್ಚರಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಯ್ಕೆ, ಕಾರ್ಯತಂತ್ರದ ಮಿತಿ ನಿಗದಿಪಡಿಸುವಿಕೆ ಮತ್ತು ನಿರಂತರ ಮೌಲ್ಯಮಾಪನದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನೆನಪಿಡಿ. ಈ ತಂತ್ರಗಳನ್ನು ಕರಗತ ಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ, ನೀವು ತಿಳಿಯದ ಲೋಕವನ್ನು ಅನಾವರಣಗೊಳಿಸಬಹುದು, ನಿರ್ಣಾಯಕ ಘಟನೆಗಳನ್ನು ಗುರುತಿಸಬಹುದು ಮತ್ತು ನಿಮ್ಮ ಜಾಗತಿಕ ಪ್ರಯತ್ನಗಳಲ್ಲಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಬಹುದು. ಶಬ್ದದಿಂದ ಸಂಕೇತವನ್ನು, ಸಾಮಾನ್ಯದಿಂದ ಅಸಂಗತವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಸಾಮರ್ಥ್ಯವು ಇಂದಿನ ಸಂಕೀರ್ಣ ಮತ್ತು ಪರಸ್ಪರ ಸಂಪರ್ಕ ಹೊಂದಿದ ಭೂದೃಶ್ಯದಲ್ಲಿ ಪ್ರಬಲ ವ್ಯತ್ಯಾಸಕವಾಗಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು:

• ಲೇಬಲ್ ಮಾಡಲಾದ ಅಸಂಗತ ದತ್ತಾಂಶವು ವಿರಳವಾದಾಗ ಲೇಬಲ್‌ರಹಿತ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ.
• LOF, DBSCAN, ಐಸೋಲೇಶನ್ ಫಾರೆಸ್ಟ್, GMM, ಒನ್-ಕ್ಲಾಸ್ SVM ಮತ್ತು ಆಟೋಎನ್‌ಕೋಡರ್‌ಗಳಂತಹ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ವಿಚಲನಗಳನ್ನು ಗುರುತಿಸಲು ವಿವಿಧ ವಿಧಾನಗಳನ್ನು ನೀಡುತ್ತವೆ.
• ದತ್ತಾಂಶ ಪೂರ್ವ ಸಂಸ್ಕರಣೆ, ಸೂಕ್ತ ಮಿತಿ ಆಯ್ಕೆ ಮತ್ತು ತಜ್ಞರ ಪರಿಶೀಲನೆ ಪ್ರಾಯೋಗಿಕ ಯಶಸ್ಸಿಗೆ ಅತ್ಯಗತ್ಯ.
• ಪರಿಕಲ್ಪನೆಯ ಬದಲಾವಣೆಯನ್ನು ಎದುರಿಸಲು ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆ ಅಗತ್ಯ.
• ಜಾಗತಿಕ ದೃಷ್ಟಿಕೋನವು ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಅವುಗಳ ಅನ್ವಯಗಳು ಪ್ರಾದೇಶಿಕ ದತ್ತಾಂಶ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳಿಗೆ ದೃಢವಾಗಿವೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ನಿಮ್ಮದೇ ಆದ ದತ್ತಾಂಶಗಳ ಮೇಲೆ ಈ ಅಲ್ಗಾರಿದಮ್‌ಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಿಸಲು ಮತ್ತು ಹೆಚ್ಚು ಮುಖ್ಯವಾದ ಗುಪ್ತ ಹೊರಗಿನವರನ್ನು ಅನಾವರಣಗೊಳಿಸುವ ಆಕರ್ಷಕ ಜಗತ್ತನ್ನು ಅನ್ವೇಷಿಸಲು ನಾವು ನಿಮ್ಮನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತೇವೆ.