Robust Autoencoder Anomaly Detection
Robust Autoencoder Anomaly Detection erweitert das Standard-Autoencoder-Framework um Robustheitsmechanismen – wie spärliche Zerlegung, robuste Verlustfunktionen oder gegnerische Regularisierung –, sodass das Modell eine kompakte Repräsentation normalen Verhaltens lernt und gleichzeitig resistent gegen den korrumpierenden Einfluss von Anomalien bleibt, die in die Trainingsdaten eingebettet sind.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Robuster Isolation ForestMaschinelles Lernen↔ compare
- Robust One-Class SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →