Ensemble Autoencoder Anomaliedetectie
Ensemble Autoencoder Anomaliedetectie traint meerdere autoencoder neurale netwerken op data van de normale klasse en aggregeert hun reconstructiefouten om een robuuste anomalie score te produceren. Door diverse autoencoders te combineren in plaats van te vertrouwen op één, stabiliseert de methode de rangschikking van uitschieters en vermindert de gevoeligheid voor willekeurige initialisatie of suboptimale architectuurkeuzes.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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. link ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 3 & 9). Springer. ISBN: 978-3-319-47578-3
Deze pagina citeren
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/nl/machine-learning/ensemble-autoencoder-anomaly-detection
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Autoencoder AnomaliedetectieMachine learning↔ vergelijken
- Isolation ForestMachine learning↔ vergelijken
- One-Class SVMMachine learning↔ vergelijken
- Semi-supervised Autoencoder Anomaly DetectionMachine learning↔ vergelijken
- Voting EnsembleMachine learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →