Machine learningMachine learning

Détection d'anomalies par auto-encodeur avec apprentissage actif

La détection d'anomalies par auto-encodeur avec apprentissage actif combine le classement basé sur l'erreur de reconstruction non supervisée d'un auto-encodeur avec une boucle de requête d'apprentissage actif. Le modèle signale les instances à forte erreur comme anomalies candidates, demande sélectivement à un oracle humain d'étiqueter les plus informatives, et réentraîne itérativement — atteignant une forte détection d'anomalies avec un budget d'étiquetage limité.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. 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
  2. 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

Comment citer cette page

ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/fr/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.

Compare side by side
ScholarGateActive Learning Autoencoder Anomaly Detection (Active Learning-Guided Autoencoder Anomaly Detection). Consulté le 2026-06-15 sur https://scholargate.app/fr/machine-learning/active-learning-autoencoder-anomaly-detection · Jeu de données : https://doi.org/10.5281/zenodo.20539026