Robustní detekce anomálií pomocí autoenkodéru
Robustní detekce anomálií pomocí autoenkodéru rozšiřuje standardní rámec autoenkodéru o mechanismy robustnosti – jako je řídká dekompozice, robustní ztrátové funkce nebo adverzní regularizace – takže se model učí kompaktní reprezentaci normálního chování a zároveň zůstává odolný vůči rušivému vlivu anomálií vložených do trénovacích dat.
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
- Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052 ↗
- Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/cs/machine-learning/robust-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.
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- One-class SVMStrojové učení↔ compare
- Robust Isolation ForestStrojové učení↔ compare
- Robust One-Class SVMStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →