Methodenbewijsdossier

Ensemble Autoencoder Anomaly Detection

Ensemble Autoencoder Anomaly Detection trains multiple autoencoder neural networks on normal-class data and aggregates their reconstruction errors to produce a robust anomaly score. By combining diverse autoencoders rather than relying on one, the method stabilises outlier rankings and reduces sensitivity to random initialisation or suboptimal architecture choices.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring)

Taxonomisch methodendossier · ml-model / machine-learning

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. · URL
Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 3 & 9). Springer. · ISBN 978-3-319-47578-3

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketAutoencoder Anomaly Detectionmachine-suggested · Relational suggestion, not evidence.Same method familyIsolation Forestmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketOne-class SVMmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Autoencoder Anomaly Detectionmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketVoting Ensemblemachine-suggested · Relational suggestion, not evidence.