অ্যানোমালি ডিটেকশনের সমস্যা সমূহ কী?

অ্যানোমালি ডিটেকশনের সমস্যা সমূহ

অ্যানোমালি ডিটেকশনের বিভিন্ন সমস্যা রয়েছে:

অ্যানোমালি সংজ্ঞায়িত করতে ব্যবহৃত অ্যাট্রিবিউটের সংখ্যা

একটি অবজেক্ট অ্যানোমালাস কিনা তা একটি একক অ্যাট্রিবিউটের ওপর নির্ভর করে - অর্থাৎ সেই অ্যাট্রিবিউটের জন্য অবজেক্টের মান অ্যানোমালাস কিনা। যেহেতু একটি অবজেক্টের একাধিক অ্যাট্রিবিউট হতে পারে, তাই এর একাধিক অ্যাট্রিবিউটের জন্য অ্যানোমালাস মান থাকতে পারে, কিন্তু অন্যান্য অ্যাট্রিবিউটের জন্য সাধারণ মান থাকতে পারে।

আরও, একটি অবজেক্ট অ্যানোমালাস হতে পারে এমনকি তার কোনো অ্যাট্রিবিউট মান স্বতন্ত্রভাবে অ্যানোমালাস না হলেও। উদাহরণস্বরূপ, দুই ফুট লম্বা লোক (শিশু) বা ৩০০ পাউন্ড ওজনવાલা লোক সাধারণ, কিন্তু দুই ফুট লম্বা একজন লোক যিনি ৩০০ পাউন্ড ওজন। অ্যানোমালির সংজ্ঞায়িত করতে হবে কিভাবে একাধিক অ্যাট্রিবিউটের মান ব্যবহার করা হবে একটি অবজেক্ট অ্যানোমালাস কিনা তা নির্ধারণে। এটি একটি গুরুত্বপূর্ণ সমস্যা যখন ডেটার ডায়মেনশনালিটি বড়।

গ্লোবাল বনাম লোকাল দৃষ্টিভঙ্গি (Global versus Local Perspective)

একটি অবজেক্ট সকল অবজেক্টের সাপেক্ষে অসাধারণ মনে হতে পারে, কিন্তু তার লোকাল पड़োসের অবজেক্টের সাপেক্ষে না। উদাহরণস্বরূপ, ৬ ফুট ৫ ইঞ্চি লম্বা একজন লোক সাধারণ জনগোষ্ঠীর সাপেক্ষে অত্যন্ত লম্বা, কিন্তু পেশাদার বাস্কেটবল খেলোয়াড়দের সাপেক্ষে না।

একটি পয়েন্ট কতটুকু অ্যানোমালি (Degree to which a point is an Anomaly)

একটি অবজেক্ট অ্যানোমালি কিনা তা কিছু পদ্ধতিতে বাইনারি ফ্যাশনে নথিভুক্তি করা হয়: একটি অবজেক্ট অ্যানোমালি অথবা নয়। সাধারণত এটি বাস্তব 실제তাকে প্রতিফলিত করে না যে কিছু অবজেক্ট অন্যদের চেয়ে বেশি তীব্র অ্যানোমালি। তাই একটি অবজেক্ট কতটুকু অ্যানোমালাস সেটি মাপने একটি মাপনো থাকা আকর্ষণীয়। এই মাপনাকে অ্যানোমালি বা আউটলায়ার স্কোর বলা হয়।

একটি অ্যানোমালি একসাথে বনাম একসাথে অনেক অ্যানোমালি (Identifying One Anomaly at a Time versus Many Anomalies at Once)

কিছু পদ্ধতিতে, অ্যানোমালিগুলো একে একে দূর করা হয়; অর্থাৎ, সবচেয়ে অ্যানোমালাস উদাহরণ চিহ্নিত করা হয় এবং সরানো হয় এবং তারপর প্রক্রিয়াটি পুনরাবৃত্তি হয়। অন্য কৌশলগুলোর জন্য, একটি অ্যানোমালি সেট একসাথে চিহ্নিত করা হয়।

যে কৌশলগুলো একবারে একটি অ্যানোমালি চিহ্নিত করার চেষ্টা করে সেগুলো প্রায়শই মাস্কিং (masking) নামক একটি সমস্যার শিকার হয়, যেখানে একাধিক অ্যানোমালির উপস্থিতি সকল অ্যানোমালির উপস্থিতি মুছে ফেলে। বিপরীতভাবে, একসাথে একাধিক আউটলায়ার চিহ্নিত করার কৌশলগুলো స్వাম্পিং (swamping) অনুভব করতে পারে, যেখানে সাধারণ অবজেক্টগুলোকেও আউটলায়ার হিসেবে সংজ্ঞায়িত করা হয়। মডেল-ভিত্তিক পদ্ধতিতে, এই ইফেক্টগুলো দেখা যায় কারণ অ্যানোমালিগুলো ডেটা মডেলকে পরিবর্তন করে।

দক্ষতা (Efficiency)

বিভিন্ন অ্যানোমালি ডিটেকশন স্কিমের কম্পিউটেশনাল খরচে গুরুত্বপূর্ণ পার্থক্য রয়েছে। ক্লাসিফিকেশন-ভিত্তিক স্কিমগুলো ক্লাসিফিকেশন মডেল তৈরি করার জন্য উল্লেখযোগ্য রিসোর্স দরকার হতে পারে, কিন্তু ব্যবহার করা সাধারণত সস্তা। একইভাবে, সাংখ্যিক পদ্ধতিগুলো একটি সাংখ্যিক মডেল তৈরি করে এবং একটি এলিমেন্টকে কনস্ট্যান্ট টাইমে ক্লাসিফাই করতে পারে।