Robust Autoencoder Anomaly Detection
Robust Autoencoder Anomaly Detection proširuje standardni okvir autoenkodera mehanizmima robusnosti — kao što su rijetka dekompozicija, robusne funkcije gubitka ili adverzarijalna regularizacija — tako da model uči kompaktnu reprezentaciju normalnog ponašanja, a istovremeno ostaje otporan na utjecaj anomalija ugrađenih u podatke za treniranje.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Robusni Isolation ForestStrojno učenje↔ compare
- Robusni jednoklasni SVMStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →