Detección de Anomalías con Autoencoders Ensemble
La Detección de Anomalías con Autoencoders Ensemble entrena múltiples redes neuronales de autoencoder con datos de la clase normal y agrega sus errores de reconstrucción para producir una puntuación de anomalía robusta. Al combinar autoencoders diversos en lugar de depender de uno solo, el método estabiliza las clasificaciones de valores atípicos y reduce la sensibilidad a la inicialización aleatoria o a elecciones subóptimas de arquitectura.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/es/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.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
- Detección de anomalías con autoencoder semi-supervisadoAprendizaje automático↔ compare
- Ensamble de votaciónAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →