Daļēji uzraudzīts autoenkoders anomaliju noteikšanai
Neatkarīgā autoenkodera anomaliju noteikšana galvenokārt apmāca neironu autoenkoderi, izmantojot normālus (nenosauktus) datus, pēc tam izmanto nelielu skaitu nosauktu anomāliju, lai precizētu lēmumu robežas, nosakot anomālijas kā paraugus ar augstu rekonstrukcijas kļūdu. Tā novērš plaisu starp tīri neuzraudzītiem autoenkoderiem un pilnībā uzraudzītiem klasifikatoriem, kad nosaukumu ir maz, bet pastāv dažas zināmas anomālijas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/lv/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.
- Autoencoder anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pusgadīgi uzraudzīta viena klases SVMMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →