---

Alibi Detect هي مكتبة بايثون متاحة المصدر تركّز على كشف القيم الشاذة، والهجمات العدائية، والانجراف. تهدف الحزمة إلى تغطية كل من الكاشفات المتصلة وغير المتصلة بالإنترنت للبيانات الجدولية والنصوص والصور والسلاسل الزمنية. كما أنّ كشف الانجراف يدعم كلًا من الخلفيتين TensorFlow وPyTorch.

• التوثيق

لمزيد من الخلفية حول أهمية مراقبة القيم الشاذة والتوزيعات في بيئة الإنتاج، شاهد هذه المحاضرة من ورشة عمل تحديات نشر ومراقبة أنظمة التعلم الآلي في مؤتمر ICML 2020، والتي تستند إلى الورقة البحثية مراقبة النماذج وقابلية تفسيرها في الإنتاج وتشير إلى Alibi Detect.

للحصول على مقدمة شاملة حول كشف الانجراف، شاهد حماية تعلمك الآلي من الانجراف: مقدمة. تغطي المحاضرة ما هو الانجراف، ولماذا من المفيد اكتشافه، والأنواع المختلفة للانجراف، وكيف يمكن اكتشافه بطريقة منهجية، كما تصف أيضًا البنية الداخلية لكاشف الانجراف.

جدول المحتويات

• التثبيت والاستخدام
  • باستخدام pip
  • باستخدام conda
  • الاستخدام
• الخوارزميات المدعومة
  • كشف القيم الشاذة
  • كشف الهجمات العدائية
  • كشف الانجراف
    • دعم TensorFlow وPyTorch
    • خطوات المعالجة المسبقة المدمجة
  • قائمة المراجع
    • كشف القيم الشاذة
    • كشف الهجمات العدائية
    • كشف الانجراف
• مجموعات البيانات
  • البيانات التسلسلية والسلاسل الزمنية
  • الصور
  • الجدولية
• النماذج
• التكاملات
• الاستشهادات

التثبيت والاستخدام

يمكن تثبيت الحزمة alibi-detect من:

• PyPI أو من مصدر GitHub (باستخدام pip)
• Anaconda (باستخدام conda/mamba)

باستخدام pip

• يمكن تثبيت alibi-detect من PyPI: ```bash pip install alibi-detect

• بدلاً من ذلك، يمكن تثبيت النسخة التطويرية: ```bash pip install git+https://github.com/SeldonIO/alibi-detect.git

• للتثبيت مع الخلفية TensorFlow: ```bash pip install alibi-detect[tensorflow]

• للتثبيت مع الواجهة الخلفية PyTorch: ```bash pip install alibi-detect[torch]

• للتثبيت مع الواجهة الخلفية KeOps: ```bash pip install alibi-detect[keops]

• لاستخدام كاشف القيم الشاذة للسلاسل الزمنية Prophet: ```bash pip install alibi-detect[prophet]

باستخدام conda

لتثبيت من conda-forge يُنصح باستخدام mamba، والذي يمكن تثبيته في بيئة conda الأساسية base باستخدام:```bash conda install mamba -n base -c conda-forge

لتثبيت alibi-detect:```bash
mamba install -c conda-forge alibi-detect

الاستخدام

سوف نستخدم كاشف الشذوذ VAE لتوضيح واجهة الـ API.```python from alibi_detect.od import OutlierVAE from alibi_detect.saving import save_detector, load_detector

initialize and fit detector

od = OutlierVAE(threshold=0.1, encoder_net=encoder_net, decoder_net=decoder_net, latent_dim=1024) od.fit(x_train)

make predictions

preds = od.predict(x_test)

save and load detectors

filepath = './my_detector/' save_detector(od, filepath) od = load_detector(filepath)

يتم إرجاع التنبؤات في قاموس بمفاتيح `meta` و`data`. يحتوي `meta` على البيانات الوصفية للكاشف بينما `data` هو في حد ذاته قاموس يحتوي على التنبؤات الفعلية. وهو يحتوي على درجات وعتبات الشذوذ أو الخصومة أو الانحراف بالإضافة إلى التنبؤات حول ما إذا كانت الحالات، على سبيل المثال، شاذة أم لا. قد تختلف التفاصيل الدقيقة قليلاً من طريقة إلى أخرى، لذلك نشجع القارئ على التعرف على [أنواع الخوارزميات المدعومة](https://docs.seldon.io/projects/alibi-detect/en/stable/overview/algorithms.html).

## الخوارزميات المدعومة

تعرض الجداول التالية حالات الاستخدام الموصى بها لكل خوارزمية. يشير العمود *مستوى الميزة* إلى ما إذا كان يمكن إجراء الاكتشاف على مستوى الميزة، على سبيل المثال لكل بكسل في صورة. راجع [قائمة مراجع الخوارزميات](#reference-list) لمزيد من المعلومات التي تتضمن روابط إلى الوثائق والأوراق الأصلية بالإضافة إلى أمثلة لكل كاشف.

### اكتشاف القيم الشاذة

| الكاشف | جدولي | صورة | سلسلة زمنية | نص | ميزات فئوية | مباشر | مستوى الميزة |
|:---------------------|:-------:|:-----:|:-----------:|:----:|:--------------------:|:------:|:-------------:|
| Isolation Forest     |    ✔    |       |             |      |          ✔           |        |               |
| Mahalanobis Distance |    ✔    |       |             |      |          ✔           |   ✔    |               |
| AE                   |    ✔    |   ✔   |             |      |                      |        |       ✔       |
| VAE                  |    ✔    |   ✔   |             |      |                      |        |       ✔       |
| AEGMM                |    ✔    |   ✔   |             |      |                      |        |               |
| VAEGMM               |    ✔    |   ✔   |             |      |                      |        |               |
| Likelihood Ratios    |    ✔    |   ✔   |      ✔      |      |          ✔           |        |       ✔       |
| Prophet              |         |       |      ✔      |      |                      |        |               |
| Spectral Residual    |         |       |      ✔      |      |                      |   ✔    |       ✔       |
| Seq2Seq              |         |       |      ✔      |      |                      |        |       ✔       |

### اكتشاف الهجمات الخصومية