Selbstüberwachter Isolation Forest
Der Self-supervised Isolation Forest erweitert den klassischen Anomalie-Detektor Isolation Forest um eine selbstüberwachte Vortrainingsphase. Eine Prätextaufgabe – wie die Vorhersage von Rotation, maskierten Merkmalen oder kontrastiven Paaren – wird ohne Labels gelöst, um eine reichhaltigere Merkmalsrepräsentation zu lernen. Diese Repräsentation wird dann beim Aufbau der Isolation Trees verwendet, was zu schärferen Anomalie-Scores bei komplexen, hochdimensionalen tabellarischen Daten führt.
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
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), pp. 413–422. DOI: 10.1109/ICDM.2008.17 ↗
- Isolation Forest. Wikipedia. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Isolation Forest (SSL-augmented Anomaly Detection). ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-isolation-forest
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.
- AutoencoderDeep Learning↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- Lokaler Ausreißerfaktor (LOF)Maschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →