Полуавтоматично откриване на аномалии с автоенкодер
Полуавтоматичното откриване на аномалии с автоенкодер обучава невронна автоенкодерна мрежа предимно върху нормални (немаркирани) данни, след което използва малък набор от маркирани аномалии за прецизиране на разделителните граници, като открива аномалии като извадки с висока грешка при реконструкция. Тя преодолява пропастта между чисто неконтролирани автоенкодери и напълно контролирани класификатори, когато етикетите са оскъдни, но съществуват някои известни аномалии.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020). link ↗
- Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., & Chen, H. (2018). Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2018). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-autoencoder-anomaly-detection
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Автоенкодер за детекция на аномалииМашинно обучение↔ сравняване
- Isolation ForestМашинно обучение↔ сравняване
- Еднокласов SVMМашинно обучение↔ сравняване
- Полу-наблюдавано обучениеМашинно обучение↔ сравняване
- Полу-наблюдавано SVM от един класМашинно обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →