Hierarchické modely pro detekci a popis anomálií

Detekce anomálií je důležitým nástrojem automatického zpracování dat v případech, kdy není u žádných dat známé, do jaké třídy patří (učení bez učitele). Detekce anomálií se snaží nalézt vzorky, které se výrazně liší od většiny a proto jsou potenciálně zajímavé pro další analýzu. V současné době je většina metod založena na jednoduchých mělkých modelech bez jakékoliv složitější hierarchie. Oboru učení s učitelem, kde jsou k části vzorků známé třídy, do kterých náleží, se složité modely s mnoha vrstavmi složenými nad sebou, ukázaly mnohem silnější než mělké modely. Cílem tohoto projektu je systematicky prozkoumat použití hlubokých modelů v detekci anomálií. Předpokládáme, že největší odlišností detekce anomálií je nutnost modelovat relativně řídké jevy, což je v přímém rozporu s oblastí učení s učitelem, který se snaží modelovat většinu jevů. Jádrem práce tedy bude studium, kterak upraví modely tak, aby modelovaly časté a řídké jevy současně. Nalezené modely budeme prakticky ověřovat v oblastech síťové bezpečnosti a modelování plasmatu v Tokamaku.