Rilevamento di anomalie basato su ensemble di autoencoder
L'ensemble di autoencoder per il rilevamento di anomalie addestra molteplici reti neurali autoencoder sui dati di classe normale e aggrega i loro errori di ricostruzione per produrre un punteggio di anomalia robusto. Combinando autoencoder diversi anziché affidarsi a uno solo, il metodo stabilizza le classifiche degli outlier e riduce la sensibilità all'inizializzazione casuale o a scelte architetturali subottimali.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/it/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.
- Rilevamento anomalie con autoencoderApprendimento automatico↔ compare
- Isolation ForestApprendimento automatico↔ compare
- One-Class SVMApprendimento automatico↔ compare
- Rilevamento di anomalie con autoencoder semi-supervisionatoApprendimento automatico↔ compare
- Ensemble a votazioneApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →