Ensemble Autoencoder Anomaly Detection
Az Ensemble Autoencoder Anomaly Detection (együttes autoencoderes anomáliadetektálás) több autoencoder neurális hálózatot tanít be normál osztályú adatokon, majd összesíti azok rekonstrukciós hibáit egy robusztus anomáliapontszám előállításához. Azáltal, hogy egyetlen modell helyett különféle autoencodereket kombinál, a módszer stabilizálja a kiugró értékek rangsorolását, és csökkenti az érzékenységet a véletlenszerű inicializálásra vagy a szuboptimális architektúraválasztásokra.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/hu/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.
- Autoencoder alapú anomáliadetektálásGépi tanulás↔ compare
- Isolation ForestGépi tanulás↔ compare
- One-Class SVMGépi tanulás↔ compare
- Félfelügyelt autoencoderes anomáliadetektálásGépi tanulás↔ compare
- Voting EnsembleGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →