Détection d'anomalies par autoencodeur bayésien
La détection d'anomalies par autoencodeur bayésien utilise un autoencodeur variationnel — un modèle génératif probabiliste entraîné sur des données normales — pour signaler les anomalies par leur erreur de reconstruction élevée ou leur faible vraisemblance sous la distribution apprise. En traitant l'espace latent comme une distribution de probabilité plutôt qu'un point fixe, il fournit des estimations d'incertitude fondées à côté de chaque score d'anomalie, ce qui le rend particulièrement précieux dans les tâches de détection à enjeux élevés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. ICDM Workshop on Data Mining in Networks. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Autoencoder Anomaly Detection (Probabilistic Reconstruction-Error Framework). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-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.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ compare
- Modèle Bayésien de Mélange GaussienApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Détection d'anomalies par auto-encodeur semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →