ScholarGate
المساعد
Machine learningMachine learning

الكشف عن الشذوذ باستخدام المرمز التلقائي عبر الإنترنت

يقوم المرمز التلقائي عبر الإنترنت بالكشف عن الشذوذ بتدريب مرمز تلقائي بشكل تدريجي على تدفق بيانات مستمر، ويشير إلى الملاحظات التي يتجاوز فيها خطأ إعادة البناء عتبة تكيفية كشذوذ. يجمع هذا النهج بين القوة التمثيلية للمرمزات التلقائية العميقة والقدرة على التحديث التدريجي للتعلم عبر الإنترنت، مما يجعله مناسبًا لسيناريوهات التدفق في الوقت الفعلي أو ذات الحجم الكبير حيث يكون إعادة التدريب على دفعات غير عملي.

افتح في MethodMindقريبًافيديوقريبًاDownload slides

اقرأ الطريقة كاملة

للأعضاء فقط

سجّل الدخول بحساب مجاني لقراءة هذا القسم.

تسجيل الدخول

Method map

The neighbourhood of related methods — select a node to explore.

المصادر

  1. An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2. link
  2. Zenati, H., Foo, C. S., Lecouat, B., Manek, G. & Chandrasekhar, V. R. (2018). Efficient GAN-Based Anomaly Detection. ICLR 2018 Workshop. link

كيف تستشهد بهذه الصفحة

ScholarGate. (2026, June 3). Online Autoencoder Anomaly Detection (Incremental Autoencoder for Streaming Anomaly Detection). ScholarGate. https://scholargate.app/ar/machine-learning/online-autoencoder-anomaly-detection

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateOnline Autoencoder Anomaly Detection (Online Autoencoder Anomaly Detection (Incremental Autoencoder for Streaming Anomaly Detection)). استُرجع بتاريخ 2026-06-15 من https://scholargate.app/ar/machine-learning/online-autoencoder-anomaly-detection · مجموعة البيانات: https://doi.org/10.5281/zenodo.20539026