تعتبر اكتشاف الشذوذ في البيانات الزمنية (Time Series Anomaly Detection) ركيزة أساسية لضمان موثوقية وأمان الأنظمة المعتمدة على الإنترنت للأشياء (IoT). التقنيات الحالية تتطلب عادة تدريب نموذج خاص لكل مجموعة بيانات، مما يعوق قدرتها على التعميم عبر مجموعات بيانات مختلفة، ويقلل من فعالية الكشف عن الشذوذ في سيناريوهات عديدة. لمواجهة هذه التحديات، أصبحت النماذج الأساسية (Foundation Models) توجهاً واعداً في هذا المجال.

ولكن هناك العديد من المشكلات المرتبطة باستخدام نماذج اللغة الكبيرة (Large Language Models) ومجموعات البيانات الضخمة، وبذلك يواجه الباحثون فجوات بين النماذج والمعطيات المعنية، مما يعوق الابتكار. هنا يأتي دور النموذج الجديد VAN-AD، الذي يتمحور حول استخدام نموذج كود تلقائي بصري (Masked Autoencoder) تم تدريبه مسبقاً على مجموعة بيانات ImageNet.

لكن عملية النقل المباشر لـ MAE إلى تحليل البيانات الزمنية يطرح تحديين رئيسيين: الإفراط في التعميم (Overgeneralization) وقلة الإدراك المحلي (Limited Local Perception). ولتجاوز هذه التحديات، قمنا بتصميم إطار مبتكر يعتمد على نموذج MAE.

قمنا بتطوير وحدة تخطيط التوزيع التكيفية (Adaptive Distribution Mapping Module) لتقليل ظاهرة الإفراط في التعميم، حيث تقوم هذه الوحدة بتوحيد نتائج إعادة البناء إلى مجال إحصائي واحد، مما يزيد من الفجوات الناتجة عن الأنماط الشاذة. بالإضافة إلى ذلك، تم تطوير وحدة التدفق العادي (Normalizing Flow Module) والتي تجمع بين MAE والتدفق العادي لتقدير كثافة الاحتمال لكل نافذة زمنية تحت التوزيع العالمي.

تظهر التجارب على تسع مجموعات بيانات حقيقية أن نموذج VAN-AD يتفوق باستمرار على الطرق التقليدية في مجموعة متنوعة من المعايير التقييمية، مما يمهد الطريق لمزيد من الاستكشاف في هذا المجال. لمزيد من التفاصيل، يمكنكم زيارة كود المشروع والبيانات المتاحة على [رابط](https://github.com/PenyChen/VAN-AD).