Aktiv læring autoencoder anomalidetektion
Aktiv læring autoencoder anomalidetektion kombinerer en autoencoders uovervågede rekonstruktionsfejlscoring med en aktiv læringsforespørgselsløkke. Modellen flagger instanser med høj fejl som kandidatanomalier, beder selektivt en menneskelig orakel om at mærke de mest informative, og genoptræner iterativt — hvilket opnår stærk anomalidetektion med kun et lille mærkningsbudget.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/da/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.
- Active Learning Isolation ForestMaskinlæring↔ compare
- Aktiv læring One-class SVMMaskinlæring↔ compare
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Bayesiansk Autoencoder AnomalidetektionMaskinlæring↔ compare
- Ensemble Autoencoder Anomaly DetectionMaskinlæring↔ compare
- Semi-overvåget Autoencoder AnomalidetektionMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →