Pengesanan Anomali Autoenkoder Pembelajaran Aktif
Pengesanan Anomali Autoenkoder Pembelajaran Aktif menggabungkan skor ralat pembinaan semula tanpa pengawasan autoenkoder dengan gelung pertanyaan pembelajaran aktif. Model ini menandakan contoh ralat tinggi sebagai calon anomali, secara selektif meminta oracle manusia untuk melabel yang paling bermaklumat, dan melatih semula secara berulang — mencapai pengesanan anomali yang kukuh dengan bajet pelabelan yang kecil sahaja.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/ms/machine-learning/active-learning-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.
- Isolation Forest Pembelajaran AktifPembelajaran Mesin↔ compare
- Active Learning One-class SVMPembelajaran Mesin↔ compare
- Pengesanan Anomali AutoenkoderPembelajaran Mesin↔ compare
- Pengesanan Anomali Bayesian AutoencoderPembelajaran Mesin↔ compare
- Pengesanan Anomali Ensemble AutoencoderPembelajaran Mesin↔ compare
- Pengesanan Anomali Autoencoder Separuh SempurnaPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →