آشکارسازی ناهنجاری با خودرمزگذار نیمهنظارتشده
خودرمزگذار نیمهنظارتشده برای آشکارسازی ناهنجاری، یک خودرمزگذار عصبی را عمدتاً بر روی دادههای عادی (بدون برچسب) آموزش میدهد، سپس از مجموعهای کوچک از ناهنجاریهای برچسبدار برای اصلاح مرزهای تصمیمگیری استفاده میکند و ناهنجاریها را بهعنوان نمونههایی با خطای بازسازی بالا شناسایی میکند. این روش شکاف بین خودرمزگذارهای کاملاً بدون نظارت و طبقهبندهای کاملاً نظارتشده را در مواردی که برچسبها کمیاب هستند اما برخی ناهنجاریهای شناختهشده وجود دارند، پر میکند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/fa/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.
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسهیادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یک کلاسه SVM نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →