يعتمد على "نماذج الخليط الغوسي" - GMMs.
"الشبكات العصبية قوية ولكن لها عيبًا كبيرًا: التعامل مع البيانات غير المرئية، مثل العيوب في المنتج أثناء التصنيع، يمثل تحديًا بسبب اعتمادها على بيانات التدريب الحالية. غالبًا ما يتم تصنيف المدخلات الجديدة تمامًا بشكل خاطئ إلى فئات موجودة، وفقًا للشركة. "لا تستطيع الشركات جمع عينات من العالم الحقيقي لكل حالة شاذة، وخاصة بالنسبة للعيوب غير المتوقعة. GMMs عبارة عن تقنيات تجميعية يمكننا استخدامها للكشف عن الحالات الشاذة.
تم تصميم أداة تطوير البرمجيات، "FOMO-AD"، لإنشاء خوارزميات اكتشاف قائمة على GMM للأجهزة ذات الموارد المحدودة مثل وحدات MCU.
يمثل GMM التوزيع الاحتمالي كخليط من التوزيعات الغوسية (العادية) المتعددة. يمثل كل مكون غاوسي في الخليط مجموعة من نقاط البيانات ذات الخصائص المماثلة. قال إيدج إمبالس: "وهكذا، تعمل نماذج GMM باستخدام افتراض أن العينات الموجودة في مجموعة البيانات يمكن نمذجتها باستخدام توزيعات غوسية مختلفة".
وتابع أن اكتشاف الشذوذ باستخدام GMM يتضمن تحديد نقاط البيانات ذات الاحتمالات المنخفضة. إذا كانت نقطة البيانات لديها احتمالية أقل بكثير للتوليد بواسطة نموذج الخليط مقارنة بمعظم نقاط البيانات الأخرى، فإنها تعتبر حالة شاذة وسيتم إخراج درجة شذوذ عالية.
وأضافت الشركة: "تحتوي GMM على بعض التداخل مع وسائل K، ومع ذلك، فإن مجموعات يعني K دائمًا ما تكون دائرية أو كروية أو مفرطة الكروية عندما تتمكن GMM من تصميم مجموعات بيضاوية".