Kompleks endüstriyel sistemlerde meydana gelen anormalliklerin nedenlerini tespit etmek, güvenilir işleyiş açısından hayati öneme sahip. Ancak mevcut açıklama yöntemleri, gerçekçi olmayan veri değişiklikleri yaparak ve zaman ile özellikler arası bağımlılıkları ihmal ederek güvenilmez sonuçlar üretiyor.
Yeni geliştirilen koşullu atıflandırma çerçevesi, bu sorunlara yenilikçi bir çözüm getiriyor. Sistem, anormal durumları açıklarken rastgele örnekler yerine, bağlamsal olarak benzer normal sistem durumlarını referans alıyor. Bu yaklaşım, bağımlılıkları koruyan ve operasyonel açıdan anlamlı açıklamalar sunuyor.
Yöntemin en dikkat çekici özelliği, yüksek boyutlu zaman serisi verilerini işleyebilmesi. Bunu başarmak için variasyonel otokodlayıcı gizli uzayları ve UMAP manifold gömme tekniklerini kullanarak öğrenilmiş düşük boyutlu temsillerde bağlamsal arama gerçekleştiriyor.
Araştırmacılar, bu stratejiyi sistemin öğrenilmiş manifolduna dayandırarak, dağılım dışı örneklerin oluşturulması sorununu da çözüyor. Bu sayede gerçek dünya sistemlerinin karmaşık dinamiklerini daha iyi yansıtan açıklamalar elde ediliyor.
Geliştirilen yöntem, özellikle kritik altyapı sistemlerinde erken uyarı ve predictive maintenance uygulamaları için önemli potansiyel taşıyor.