Semi-overvåget Autoencoder Anomalidetektion
Semi-overvåget Autoencoder Anomalidetektion træner en neural autoencoder primært på normale (umlablede) data, bruger derefter et lille sæt mærkede anomalier til at forfine beslutningsgrænser, og detekterer anomalier som prøver med høj rekonstruktionsfejl. Den bygger bro mellem rent uovervågede autoencodere og fuldt overvågede klassifikatorer, når mærkater er knappe, men der findes nogle kendte anomalier.
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
- Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020). link ↗
- Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., & Chen, H. (2018). Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2018). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-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-supervised LearningMaskinlæring↔ compare
- Semi-supervised One-class SVMMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →