Aktiivisen oppimisen autoenkooderin poikkeamien tunnistus
Aktiivisen oppimisen autoenkooderin poikkeamien tunnistus yhdistää autoenkooderin valvomattoman rekonstruktiovirhepisteiden pisteytyksen aktiivisen oppimisen kyselysilmukkaan. Malli merkitsee korkean virheen esiintymät ehdokaspoikkeamiksi, pyytää valikoivasti ihmisoraakkelia merkitsemään informatiivisimmat, ja kouluttaa iteratiivisesti uudelleen – saavuttaen vahvan poikkeamien tunnistuksen vain pienellä merkintäbudjetilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/fi/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.
- Aktiivisen oppimisen eristysmetsäKoneoppiminen↔ compare
- Aktiivinen oppiminen – yhden luokan SVMKoneoppiminen↔ compare
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Bayesilainen autoenkooderi poikkeamien havaitsemiseenKoneoppiminen↔ compare
- Ensemble Autoencoder Anomaly DetectionKoneoppiminen↔ compare
- Puolivalvottu autoenkooderianomalianalyysiKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →