Puolivalvottu autoenkooderianomalianalyysi
Puolivalvottu autoenkooderianomalianalyysi kouluttaa neuroverkkopohjaista autoenkooderia ensisijaisesti normaalilla (merkitsemättömällä) datalla, käyttää sitten pientä joukkoa merkittyjä anomalioita päätösrajojen tarkentamiseen ja havaitsee anomaliat näytteinä, joilla on korkea rekonstruktiovirhe. Se yhdistää puhtaasti valvomattomien autoenkooderien ja täysin valvottujen luokittelijoiden välistä kuilua, kun merkintöjä on vähän, mutta tunnettuja anomalioita on olemassa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Puolivalvottu yhden luokan SVMKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →