Rilevamento di anomalie con autoencoder auto-supervisionato
Il rilevamento di anomalie con autoencoder auto-supervisionato addestra un autoencoder utilizzando compiti pretesto auto-supervisionati — come la predizione di trasformazioni geometriche o la risoluzione di puzzle — su dati normali non etichettati, quindi segnala come anomalo qualsiasi input il cui errore di ricostruzione o punteggio del compito pretesto devia sostanzialmente dalla distribuzione normale appresa.
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
- Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., Dietterich, T. G., & Müller, K.-R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756–795. DOI: 10.1109/JPROC.2021.3052449 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/it/machine-learning/self-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.
- Rilevamento anomalie con autoencoderApprendimento automatico↔ compare
- Isolation ForestApprendimento automatico↔ compare
- One-Class SVMApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Rilevamento di anomalie con autoencoder semi-supervisionatoApprendimento automatico↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →