Machine learningMachine learning

Deteksi Anomali Autoencoder yang Dapat Dijelaskan

Deteksi Anomali Autoencoder yang Dapat Dijelaskan memperkaya detektor anomali berbasis autoencoder standar dengan lapisan interpretasi — seperti nilai SHAP atau dekomposisi kesalahan rekonstruksi per fitur — yang mengidentifikasi fitur input mana yang mendorong penandaan anomali untuk setiap observasi, mengubah skor kesalahan rekonstruksi yang buram menjadi penjelasan yang dapat ditindaklanjuti dan dapat dibaca manusia.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

The neighbourhood of related methods — select a node to explore.

Deteksi Anomali Autoencoder yang Dapat Dijelaskan

Deteksi Anomali Autoenco…Isolation Forest yang Da…SVM Satu Kelas yang Dapa…Isolation Forest SVM Satu Kelas Deteksi Anomali Autoenco…

Sumber

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗

Cara menyitasi halaman ini

ScholarGate. (2026, June 3). Explainable Autoencoder-Based Anomaly Detection (XAI-augmented Reconstruction Error). ScholarGate. https://scholargate.app/id/machine-learning/explainable-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.

Deteksi Anomali AutoencoderPembelajaran Mesin↔ compare
Isolation Forest yang Dapat DijelaskanPembelajaran Mesin↔ compare
SVM Satu Kelas yang Dapat DijelaskanPembelajaran Mesin↔ compare
Isolation ForestPembelajaran Mesin↔ compare
SVM Satu KelasPembelajaran Mesin↔ compare
Deteksi Anomali Autoencoder yang Diawasi MandiriPembelajaran Mesin↔ compare

Compare side by side →

Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →