Ensemble Autoencoder Anomaly Detection
Ensemble Autoencoder Anomaly Detection træner flere autoencoder neurale netværk på data fra normal-klassen og aggregerer deres rekonstruktionsfejl for at producere en robust anomaliscore. Ved at kombinere forskellige autoencodere i stedet for at stole på én, stabiliserer metoden rangordningen af outliers og reducerer følsomheden over for tilfældig initialisering eller suboptimale arkitekturvalg.
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
- Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM. link ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 3 & 9). Springer. ISBN: 978-3-319-47578-3
Sådan citerer du denne side
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/da/machine-learning/ensemble-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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Semi-overvåget Autoencoder AnomalidetektionMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →