Zelf-gesuperviseerde autoencoder anomaliedetectie
Zelf-gesuperviseerde autoencoder anomaliedetectie traint een autoencoder met behulp van zelf-gesuperviseerde pretext-taken — zoals het voorspellen van geometrische transformaties of het oplossen van legpuzzels — op ongelabelde normale data, en markeert vervolgens elke invoer als anomaal waarvan de reconstructiefout of de pretext-taakscore aanzienlijk afwijkt van de geleerde normale verdeling.
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
- Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., Dietterich, T. G., & Müller, K.-R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756–795. DOI: 10.1109/JPROC.2021.3052449 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/nl/machine-learning/self-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 AnomaliedetectieMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- One-Class SVMMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised Autoencoder Anomaly DetectionMachine learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →