Itseohjautuva autoenkooderianomalian tunnistus
Itseohjautuva autoenkooderianomalian tunnistus kouluttaa autoenkooderia käyttäen itseohjautuvia esitehtäviä – kuten geometristen muunnosten ennustamista tai palapelien ratkaisemista – merkitsemättömällä normaalilla datalla, ja merkitsee sitten poikkeaviksi kaikki syötteet, joiden rekonstruktiovirhe tai esitehtävän pistemäärä poikkeaa merkittävästi opitusta normaalijakaumasta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puolivalvottu autoenkooderianomalianalyysiKoneoppiminen↔ compare
- Variational AutoencoderSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →