Detekce anomálií pomocí semi-supervizovaného autoenkodéru
Detekce anomálií pomocí semi-supervizovaného autoenkodéru trénuje neuronový autoenkodér primárně na normálních (neoznačených) datech, poté používá malou sadu označených anomálií k zpřesnění rozhodovacích hranic a detekuje anomálie jako vzorky s vysokou chybou rekonstrukce. Překlenuje mezeru mezi čistě nesupervizovanými autoenkodéry a plně supervizovanými klasifikátory, když jsou označení vzácná, ale existují některé známé anomálie.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-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
- Semisupervisední učeníStrojové učení↔ compare
- Polovičně řízené SVM jedné třídyStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →