ScholarGate
Βοηθός
Machine learningMachine learning

Ανίχνευση Ανωμαλιών με Αυτοκωδικοποιητή Αυτο-εποπτευόμενης Μάθησης

Η ανίχνευση ανωμαλιών με αυτοκωδικοποιητή αυτο-εποπτευόμενης μάθησης εκπαιδεύει έναν αυτοκωδικοποιητή χρησιμοποιώντας αυτο-εποπτευόμενες προκαταρκτικές εργασίες — όπως η πρόβλεψη γεωμετρικών μετασχηματισμών ή η επίλυση παζλ — σε μη επισημασμένα κανονικά δεδομένα, και στη συνέχεια επισημαίνει ως ανώμαλη οποιαδήποτε είσοδο της οποίας το σφάλμα ανακατασκευής ή η βαθμολογία της προκαταρκτικής εργασίας αποκλίνει σημαντικά από την μαθημένη κανονική κατανομή.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link
  2. Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., Dietterich, T. G., & Müller, K.-R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756–795. DOI: 10.1109/JPROC.2021.3052449

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/el/machine-learning/self-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.

Compare side by side

Αναφέρεται από

ScholarGateSelf-supervised Autoencoder Anomaly Detection (Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/self-supervised-autoencoder-anomaly-detection · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026