IT и технологии · 28 сентября 2026 г.

Нейросеть ищет аномалии: промежуточные результаты НИР — 28 сентября 2026 г. в 05:04:34.643

Нейросеть ищет аномалии: промежуточные результаты НИР по глубокому обучению. В рамках научно-исследовательской работы решается задача поиска аномалий в сигналах с помощью комбинации автоэнкодера и графовых методов. Такой подход особенно ценен, поскольку аномальные данные важно выявлять на ранних этапах. Реализованы гибридные модели, состоящие из последовательности разных типов нейросетей: сверточного (САЕ) и вариационного (VAE) автоэнкодера, графового GNN-энкодера, полносвязных слоев для кластеризации. Экспорт моделей в формат ONNX позволил использовать их вне Pythonокружения. Проведена подготовка наборов данных. Обучение свёрточного автоэнкодера (САЕ). Модель свёрточного автоэнкодера учится восстанавливать нормальные сигналы. Если на вход поступает аномалия, ошибка восстановления будет выше. Эта ошибка и является мерой аномальности. Пороговая детекция аномалий по MSE ошибки восстановления. Порог выбирается по 95му перцентилю ошибки на нормальных примерах из обучающей выборки. Это даёт понятный критерий: если ошибка выше порога — считаем сигнал аномальным. Обучение вариационного автоэнкодера (VAE). Вариационный автоэнкодер учится моделировать распределение нормальных сигналов. Аномальные сигналы не вписываются в распределение и дают большую ошибку реконструкции или вылетают из плотного кластера в латентное пространство. Для вариационного автоэнкодера логика пороговой детекции оценивается не только по ошибке реконструкции, но и по тому, насколько латентный вектор сигнала отличен от нормального распределения Графовое уточнение эмбеддингов. Латентные представления, полученные из автоэнкодера, подаются на вход графовой нейросети (GNN), которая учитывает локальные связи между похожими сигналами. Графовые слои усредняют признаки узла с его соседями, похожие сигналы становятся ближе, выбросы подтягиваются к кластерам. После этого выполняется кластеризация KMeans для выделения разных типов аномалий. Кластер с наименьшей долей MSE считается нормальным, остальные считаются разными типами аномалий. Экспорт модели в ONNX. Обученная модель конвертируется в формат ONNX и проверяется на совпадение результатов с Keras. Максимальная разница между предсказаниями определяет корректность конвертации и возможность модели к интеграции в другие системы. На тестовой выборке получены следующие метрики: Accuracy 0,97; Precision 0,95; Recall 0,97; F1score 0,96; ROCAUC: 0,988. Это означает, что модель уверенно отделяет аномальные сигналы от нормальных, при этом не слишком часто ошибается в сторону ложных срабатываний. Кластеризация по графовоуточнённым эмбеддингам показала, что среди аномалий можно выделить группы с разной долей аномальных примеров: в одном кластере аномалий почти нет (3 %), в другом их подавляющее большинство (87 %). Это намекает на возможность дальнейшей типологизации аномалий — например, для разных клинических сценариев. Для визуализации результатов работы модели реализован модуль отображения, который строит график исходного сигнала и его реконструкции, а также выделяет область расхождения цветом. Разработанное WinForms‑приложение интегрирует ONNX‑модель и предоставляет оператору наглядный интерфейс для анализа результатов. Ключевые элементы UI включают: график сравнения оригинала и реконструкции, цветовую индикацию статуса (аномалия/норма), числовые метрики MSE. Полупрозрачная заливка полигона между линиями соответствует величине среднеквадратичной ошибки (MSE) на каждом сегменте сигнала. Такой способ представления позволяет локализовать участки, в которых модель фиксирует наибольшее отклонение, и сопоставить их с другими признаками аномалий. Интерфейс оператора включает таблицу результатов с визуальными подсказками, позволяющими быстро локализовать аномальные сигналы и оценить степень отклонения по метрике MSE. В таблице результатов аномальные записи выделены цветом и жирным начертанием шрифта. Визуализация в пространстве главных компонент четко оценивает кластеризацию нормы и 4 классов аномалии.