Deteksi Anomali Semi-terawasi dengan Autoencoder
Deteksi Anomali Semi-terawasi dengan Autoencoder melatih autoencoder saraf terutama pada data normal (tanpa label), kemudian menggunakan sejumlah kecil anomali berlabel untuk menyempurnakan batas keputusan, mendeteksi anomali sebagai sampel dengan kesalahan rekonstruksi yang tinggi. Metode ini menjembatani kesenjangan antara autoencoder yang sepenuhnya tanpa pengawasan dan pengklasifikasi yang sepenuhnya terawasi ketika label langka tetapi ada beberapa anomali yang diketahui.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/id/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.
- Deteksi Anomali AutoencoderPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Satu KelasPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Semi-supervised One-class SVMPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →