Ensemble Autoencoder Anomalieerkennung
Ensemble Autoencoder Anomalieerkennung trainiert mehrere Autoencoder-Neuronale Netze auf Daten der Normalklasse und aggregiert deren Rekonstruktionsfehler, um einen robusten Anomalie-Score zu erzeugen. Durch die Kombination verschiedener Autoencoder anstatt der Abhängigkeit von einem einzigen Modell werden die Ausreißer-Rankings stabilisiert und die Empfindlichkeit gegenüber zufälliger Initialisierung oder suboptimalen Architekturwahlen reduziert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Semi-supervised Autoencoder AnomalieerkennungMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →