Pooltõendusega autoenkoodri anomaaliatuvastus
Pooltõendusega autoenkoodri anomaaliatuvastus (Semi-supervised Autoencoder Anomaly Detection) treenib neurovõrk-autoenkoodrit peamiselt normaalse (märgistamata) andmestiku peal, kasutab seejärel väikest hulka märgistatud anomaaliaid otsustuspiiride täpsustamiseks ning tuvastab anomaaliad kõrge rekonstrueerimisveaga näidistena. See ühendab puhtalt juhendamata autoenkoodrite ja täielikult juhendatud klassifitseerijate vahelise tühimiku, kui märgiseid on vähe, kuid teatud anomaaliaid on teada.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/et/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.
- Autoenkooderiga anomaaliate tuvastamineMasinõpe↔ compare
- Isolation ForestMasinõpe↔ compare
- Üheklassi SVMMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
- Pooltreenitud üheklassiline SVMMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →