Detekcija anomalija pomoću ansambla autoenkodera
Detekcija anomalija pomoću ansambla autoenkodera trenira više neuronskih mreža autoenkodera na podacima normalne klase i agregira njihove pogreške rekonstrukcije kako bi proizvela robusnu ocjenu anomalija. Kombiniranjem različitih autoenkodera umjesto oslanjanja na jedan, metoda stabilizira rangiranje odstupajućih vrijednosti i smanjuje osjetljivost na slučajnu inicijalizaciju ili sub-optimalne izbore arhitekture.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Polunadzorna detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Glasački sklopStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →