Robust Autoencoder Anomaly Detection
Robust Autoencoder Anomaly Detection udvider standard autoencoder-frameworket med robusthedsmekanismer – såsom sparsom dekomponering, robuste tabsfunkioner eller adversariel regularisering – så modellen lærer en kompakt repræsentation af normal adfærd, samtidig med at den forbliver modstandsdygtig over for den korrumperende indflydelse fra anomalier indlejret i træningsdataene.
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
- Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052 ↗
- Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/da/machine-learning/robust-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
- Robust Isolation ForestMaskinlæring↔ compare
- Robust One-Class SVMMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →