Samonadzorirana detekcija anomalija pomoću autoenkodera
Samonadzorirana detekcija anomalija pomoću autoenkodera trenira autoenkoder koristeći samonadzorirane pretka zadatke — poput predviđanja geometrijskih transformacija ili rješavanja slagalica — na neoznačenim normalnim podacima, a zatim označava kao anomalne bilo koji ulaz čija pogreška rekonstrukcije ili rezultat pretka zadatka značajno odstupa od naučene normalne distribucije.
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
- Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., Dietterich, T. G., & Müller, K.-R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756–795. DOI: 10.1109/JPROC.2021.3052449 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/hr/machine-learning/self-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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Samonadzirano učenjeStrojno učenje↔ compare
- Polunadzorna detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Varijacijski autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →