Detección de anomalías con autoencoder semi-supervisado
La detección de anomalías con autoencoder semi-supervisado entrena un autoencoder neuronal principalmente con datos normales (sin etiquetar) y luego utiliza un pequeño conjunto de anomalías etiquetadas para refinar los límites de decisión, detectando anomalías como muestras con alto error de reconstrucción. Reduce la brecha entre los autoencoders puramente no supervisados y los clasificadores totalmente supervisados cuando las etiquetas son escasas pero existen algunas anomalías conocidas.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/es/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.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- SVM Uniclasse SemisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →