شناسایی ناهنجاری با یادگیری فعال و رمزگذار خودکار
شناسایی ناهنجاری با یادگیری فعال و رمزگذار خودکار، امتیازدهی خطای بازسازی بدون نظارت یک رمزگذار خودکار را با یک حلقه پرسوجوی یادگیری فعال ترکیب میکند. مدل نمونههای با خطای بالا را به عنوان ناهنجاریهای کاندید علامتگذاری میکند، به صورت انتخابی از یک اوراکل انسانی میخواهد که آموزندهترین آنها را برچسبگذاری کند، و به صورت تکراری بازآموزی میکند — و به این ترتیب با بودجه برچسبگذاری اندک به شناسایی ناهنجاری قوی دست مییابد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/fa/machine-learning/active-learning-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.
- جنگل ایزولهسازی یادگیری فعالیادگیری ماشین↔ compare
- یادگیری فعال SVM تککلاسهیادگیری ماشین↔ compare
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- تشخیص ناهنجاری با خودرمزگذار بیزییادگیری ماشین↔ compare
- تشخیص ناهنجاری با اِنسمبل خودرمزگذار (Ensemble Autoencoder)یادگیری ماشین↔ compare
- آشکارسازی ناهنجاری با خودرمزگذار نیمهنظارتشدهیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →