Detección de Anomalías Robusta con Autoencoders
La Detección de Anomalías Robusta con Autoencoders extiende el marco estándar de autoencoders con mecanismos de robustez —tales como descomposición dispersa, funciones de pérdida robustas o regularización adversaria— de modo que el modelo aprenda una representación compacta del comportamiento normal, al tiempo que permanece resistente a la influencia corruptora de anomalías incrustadas en los datos de entrenamiento.
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
- Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052 ↗
- Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/es/machine-learning/robust-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
- Bosque de Aislamiento RobustoAprendizaje automático↔ compare
- SVM Unicategórico RobustoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →