Активно обучение с автоенкодер за детекция на аномалии
Активно обучение с автоенкодер за детекция на аномалии комбинира ненадзираваното оценяване на грешката при реконструкция от автоенкодер с цикъл за заявки за активно обучение. Моделът маркира екземпляри с висока грешка като кандидати за аномалии, избирателно моли човешки оракул да етикетира най-информативните, и итеративно преобучава — постигайки силна детекция на аномалии само с малък бюджет за етикетиране.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/bg/machine-learning/active-learning-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.
- Активно учене с Isolation ForestМашинно обучение↔ compare
- Активно обучение с еднокласов SVMМашинно обучение↔ compare
- Автоенкодер за детекция на аномалииМашинно обучение↔ compare
- Байесов автоенкодер за детекция на аномалииМашинно обучение↔ compare
- Ансамблова детекция на аномалии с автоенкодериМашинно обучение↔ compare
- Полуавтоматично откриване на аномалии с автоенкодерМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →