Rilevamento di anomalie con autoencoder robusti
Il rilevamento di anomalie con autoencoder robusti estende il framework standard dell'autoencoder con meccanismi di robustezza — come la decomposizione sparsa, funzioni di perdita robuste o regolarizzazione avversaria — in modo che il modello impari una rappresentazione compatta del comportamento normale, rimanendo al contempo resistente all'influenza corruttiva delle anomalie incorporate nei dati di addestramento.
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
- Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052 ↗
- Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/it/machine-learning/robust-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
- Isolation Forest RobustoApprendimento automatico↔ compare
- Robust One-Class SVMApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →