Detekce anomálií pomocí aktivního učení a autoenkodéru
Detekce anomálií pomocí aktivního učení a autoenkodéru kombinuje bezdozorové skórování chyb rekonstrukce autoenkodéru s cyklem dotazování v rámci aktivního učení. Model označuje instance s vysokou chybou jako kandidáty na anomálie, selektivně žádá lidského orákula o označení nejinformativnějších z nich a iterativně se přeučuje — dosahuje tak silné detekce anomálií s pouze malým rozpočtem na označování.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/cs/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.
- Aktivní učení s Isolation ForestStrojové učení↔ compare
- Aktivní učení s jednovariátním SVMStrojové učení↔ compare
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Bayesovská detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Detekce anomálií pomocí ansámblových autoenkodérůStrojové učení↔ compare
- Detekce anomálií pomocí semi-supervizovaného autoenkodéruStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →