Polunadzorna detekcija anomalija pomoću autoenkodera
Polunadzorna detekcija anomalija pomoću autoenkodera trenira neuronski autoenkoder primarno na normalnim (neoznačenim) podacima, a zatim koristi mali skup označenih anomalija za preciziranje granica odluke, detektirajući anomalije kao uzorke s visokom pogreškom rekonstrukcije. Premošćuje jaz između čisto nenadziranih autoenkodera i potpuno nadziranih klasifikatora kada su oznake rijetke, ali postoje neke poznate anomalije.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Polu-nadgledani jednoklasni SVMStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →