Ανίχνευση Ανωμαλιών με Σύνολο Αυτοκωδικοποιητών
Η μέθοδος Ανίχνευσης Ανωμαλιών με Σύνολο Αυτοκωδικοποιητών (Ensemble Autoencoder Anomaly Detection) εκπαιδεύει πολλαπλά νευρωνικά δίκτυα αυτοκωδικοποιητών σε δεδομένα της κανονικής κλάσης και συγκεντρώνει τα σφάλματα ανακατασκευής τους για να παράγει μια εύρωστη βαθμολογία ανωμαλίας. Συνδυάζοντας ποικίλους αυτοκωδικοποιητές αντί να βασίζεται σε έναν, η μέθοδος σταθεροποιεί τις κατατάξεις των ακραίων τιμών και μειώνει την ευαισθησία σε τυχαίες αρχικοποιήσεις ή υποβέλτιστες επιλογές αρχιτεκτονικής.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/el/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.
- Ανίχνευση ανωμαλιών με ΑυτοκωδικοποιητήΜηχανική Μάθηση↔ compare
- Isolation ForestΜηχανική Μάθηση↔ compare
- One-Class SVMΜηχανική Μάθηση↔ compare
- Ανίχνευση Ανωμαλιών με Ημι-επιβλεπόμενο ΑυτοκωδικοποιητήΜηχανική Μάθηση↔ compare
- Σύνολο Ψηφοφορίας (Voting Ensemble)Μηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →