Deteksi Anomali Autoencoder Pembelajaran Aktif
Deteksi Anomali Autoencoder Pembelajaran Aktif menggabungkan skor kesalahan rekonstruksi tanpa pengawasan dari autoencoder dengan putaran kueri pembelajaran aktif. Model menandai instans dengan kesalahan tinggi sebagai kandidat anomali, secara selektif meminta oracle manusia untuk memberi label pada yang paling informatif, dan melatih ulang secara iteratif — mencapai deteksi anomali yang kuat dengan anggaran pelabelan yang kecil.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/id/machine-learning/active-learning-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.
- Isolation Forest Pembelajaran AktifPembelajaran Mesin↔ compare
- Pembelajaran Aktif SVM Satu KelasPembelajaran Mesin↔ compare
- Deteksi Anomali AutoencoderPembelajaran Mesin↔ compare
- Deteksi Anomali Menggunakan Autoencoder BayesianPembelajaran Mesin↔ compare
- Deteksi Anomali Ensemble AutoencoderPembelajaran Mesin↔ compare
- Deteksi Anomali Semi-terawasi dengan AutoencoderPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →