Active Learning Autoencoder Anomaly Detection
Active Learning Autoencoder Anomaly Detection combineert de unsupervised reconstructiefout-scoring van een autoencoder met een active learning-querylus. Het model markeert instanties met hoge fouten als kandidaat-anomalieën, vraagt selectief aan een menselijke oracle om de meest informatieve te labelen, en hertraint iteratief — wat resulteert in sterke anomaliedetectie met een klein labelbudget.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/nl/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.
- Actief Lerend IsolatiebosMachine learning↔ compare
- Active Learning One-class SVMMachine learning↔ compare
- Autoencoder AnomaliedetectieMachine learning↔ compare
- Bayesiaanse Autoencoder AnomaliedetectieMachine learning↔ compare
- Ensemble Autoencoder AnomaliedetectieMachine learning↔ compare
- Semi-supervised Autoencoder Anomaly DetectionMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →