Топологічне якорування та адаптивні штрафи: архітектура Hybrid AWRED для розпізнавання дефектів у забруднених візуальних даних

DOI: 10.31673/2412-9070.2026.027603

Анотація

У сучасних системах комп’ютерного зору припущення про повну чистоту навчальних вибірок далеко не завжди відповідає практиці. Якщо дані містять значну кількість структурних спотворень, традиційні методи виявлення аномалій без учителя часто втрачають стійкість, оскільки дефектні зразки частково включаються до простору норми. У статті розглянуто архітектуру Hybrid AWRED v3, призначену для розпізнавання дефектів у забруднених візуальних даних. Запропонований підхід поєднує топологічне якорування, адаптивне зважування похибки реконструкції та зовнішній контур Байєсівської оптимізації гіперпараметрів.
Експериментальну перевірку виконано на модифікованому наборі MNIST-C у сценаріях із 5% і 20% забруднення. Показано, що за рівня забруднення 20% запропонована архітектура забезпечує найвище значення повноти виявлення (Recall = 0.880 ± 0.005) серед розглянутих моделей, перевищуючи, зокрема, DAGMM (0.397 ± 0.039) і Deep SVDD (0.584 ± 0.163). Водночас за інтегральною метрикою AUC-ROC найбільше середнє значення у цьому сценарії продемонстрував DAE (0.785 ± 0.008), що вказує на різну чутливість моделей до окремих аспектів якості виявлення.
З огляду на отримані результати Hybrid AWRED v3 доцільно розглядати як перспективний підхід для задач, у яких критично важливо зменшити кількість пропущених дефектів за умов значного забруднення навчальної вибірки. Разом із тим переваги методу варто інтерпретувати передусім через повноту виявлення та стійкість до data poisoning.

Ключові слова: виявлення аномалій, Data Poisoning, комп’ютерний зір, Hybrid AWRED, топологічне якорування, Байєсівська оптимізація, поетапне навчання.