Semi-supervised Autoencoder Anomalieerkennung
Semi-supervised Autoencoder Anomalieerkennung trainiert einen neuronalen Autoencoder primär auf normalen (unbeschrifteten) Daten und nutzt dann eine kleine Menge beschrifteter Anomalien, um Entscheidungsgrenzen zu verfeinern, wobei Anomalien als Stichproben mit hohem Rekonstruktionsfehler erkannt werden. Sie schlägt die Brücke zwischen rein unüberwachten Autoencodern und vollständig überwachten Klassifikatoren, wenn Beschriftungen knapp sind, aber einige bekannte Anomalien existieren.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Halb-überwachtes One-Class-SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →