Autoencoder Anomalidetektion
Autoencoder-anomalidetektion træner et neuralt netværk til at komprimere og derefter rekonstruere normale data. Da modellen kun har lært, hvordan normalitet ser ud, producerer anomale input mærkbart højere rekonstruktionsfejl – og disse fejl bliver anomaliscoren. Metoden kræver ingen mærkede anomalier og skalerer naturligt til højdimensionelle data såsom sensordata, billeder og logfiler.
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.
+13 more
Kilder
- Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
- Hinton, G. E. & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. DOI: 10.1126/science.1127647 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Autoencoder-Based Anomaly Detection (Reconstruction-Error Method). ScholarGate. https://scholargate.app/da/machine-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.
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →