Détection d'anomalies par auto-encodeur semi-supervisé
La détection d'anomalies par auto-encodeur semi-supervisé entraîne un auto-encodeur neuronal principalement sur des données normales (non étiquetées), puis utilise un petit ensemble d'anomalies étiquetées pour affiner les frontières de décision, détectant les anomalies comme des échantillons avec une erreur de reconstruction élevée. Elle comble le fossé entre les auto-encodeurs purement non supervisés et les classificateurs entièrement supervisés lorsque les étiquettes sont rares mais que certaines anomalies connues existent.
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
- Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020). link ↗
- Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., & Chen, H. (2018). Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2018). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-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
- Apprentissage semi-superviséApprentissage automatique↔ compare
- SVM univarié semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →