ScholarGate
Assistent
Machine learningMachine learning

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.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

+13 more

Kilder

  1. Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link
  2. 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.

Compare side by side

Refereret af

ScholarGateAutoencoder Anomaly Detection (Autoencoder-Based Anomaly Detection (Reconstruction-Error Method)). Hentet 2026-06-15 fra https://scholargate.app/da/machine-learning/autoencoder-anomaly-detection · Datasæt: https://doi.org/10.5281/zenodo.20539026