Enesest juhendatud autoenkoodri anomaaliate tuvastus
Enesest juhendatud autoenkoodri anomaaliate tuvastus treenib autoenkoodrit kasutades enesest juhendatud eelülesandeid – nagu geomeetriliste teisenduste ennustamine või mõistatuste lahendamine – märgistamata normaalsel andmestikul, seejärel märgistab anomaalseks mis tahes sisendi, mille rekonstruktsiooni viga või eelülesande tulemus erineb oluliselt õpitud normaaljaotusest.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/et/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.
- Autoenkooderiga anomaaliate tuvastamineMasinõpe↔ compare
- Isolation ForestMasinõpe↔ compare
- Üheklassi SVMMasinõpe↔ compare
- Enesest juhendav õppimineMasinõpe↔ compare
- Pooltõendusega autoenkoodri anomaaliatuvastusMasinõpe↔ compare
- Variational AutoencoderSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →