Selv-overvåget One-class SVM
Selv-overvåget One-class SVM kombinerer repræsentationslæring baseret på foropgave-opgaver med One-class SVM for at detektere anomalier og nyheder uden behov for mærkede anomalieksempler. Modellen lærer først udtryksfulde træk-indlejringer (feature embeddings) udelukkende fra normale data, og tilpasser derefter en OC-SVM-grænse i det lærte trækrum for at markere uden-for-distribution-prøver.
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
- Golan, I. & El-Yaniv, R. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 1747–1756. link ↗
- Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., Muller, E. & Kloft, M. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 4393–4402. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised One-class Support Vector Machine. ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-one-class-svm
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
- Gaussisk procesMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised One-class SVMMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →