Détection d'anomalies par autoencodeur robuste
La détection d'anomalies par autoencodeur robuste étend le cadre standard de l'autoencodeur avec des mécanismes de robustesse — tels que la décomposition parcimonieuse, des fonctions de perte robustes ou une régularisation adversariale — afin que le modèle apprenne une représentation compacte du comportement normal tout en restant résistant à l'influence corruptrice des anomalies intégrées dans les données d'entraînement.
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
- Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052 ↗
- Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/fr/machine-learning/robust-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
- Isolation Forest RobusteApprentissage automatique↔ compare
- SVM à une classe robusteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →