SVM univarié auto-supervisé
Le SVM univarié auto-supervisé combine l'apprentissage de représentations basé sur des tâches prétextes avec le SVM univarié pour détecter les anomalies et les nouveautés sans nécessiter d'exemples d'anomalies étiquetés. Le modèle apprend d'abord des plongements de caractéristiques expressifs à partir de données normales seules, puis ajuste une frontière OC-SVM dans l'espace des caractéristiques apprises pour signaler les échantillons hors distribution.
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
- Golan, I. & El-Yaniv, R. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 1747–1756. link ↗
- Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., Muller, E. & Kloft, M. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 4393–4402. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised One-class Support Vector Machine. ScholarGate. https://scholargate.app/fr/machine-learning/self-supervised-one-class-svm
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
- Processus GaussienApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- SVM univarié semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →