Félfelügyelt autoencoderes anomáliadetektálás
A félfelügyelt autoencoderes anomáliadetektálás elsősorban normál (címkézetlen) adatokon képez egy neurális autoencodert, majd egy kis számú címkézett anomáliát használ a döntési határok finomítására, az anomáliákat pedig magas rekonstrukciós hibával rendelkező mintázatként azonosítja. Ez áthidalja a hézagot a tisztán felügyelet nélküli autoencoderek és a teljesen felügyelt osztályozók között, amikor a címkék szűkösek, de léteznek ismert anomáliák.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/hu/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.
- Autoencoder alapú anomáliadetektálásGépi tanulás↔ compare
- Isolation ForestGépi tanulás↔ compare
- One-Class SVMGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt egyosztályú SVMGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →