Détection d'anomalies par autoencodeur en ensemble
La détection d'anomalies par autoencodeur en ensemble entraîne plusieurs réseaux neuronaux autoencodeurs sur des données de classe normale et agrège leurs erreurs de reconstruction pour produire un score d'anomalie robuste. En combinant divers autoencodeurs plutôt qu'en s'appuyant sur un seul, la méthode stabilise les classements des valeurs aberrantes et réduit la sensibilité à l'initialisation aléatoire ou aux choix d'architecture sous-optimaux.
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
- Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM. link ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 3 & 9). Springer. ISBN: 978-3-319-47578-3
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-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
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Détection d'anomalies par auto-encodeur semi-superviséApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →