Semi-supervised Autoencoder Anomaly Detection
Semi-supervised Autoencoder Anomaly Detection traint een neurale autoencoder primair op normale (ongelabelde) data, en gebruikt vervolgens een kleine set gelabelde anomalieën om beslissingsgrenzen te verfijnen, waarbij anomalieën worden gedetecteerd als samples met een hoge reconstructiefout. Het overbrugt de kloof tussen puur ongesuperviseerde autoencoders en volledig gesuperviseerde classificatoren wanneer labels schaars zijn, maar er wel enkele bekende anomalieën bestaan.
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
- Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020). link ↗
- Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., & Chen, H. (2018). Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2018). link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/nl/machine-learning/semi-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
- Semi-supervised LearningMachine learning↔ compare
- Semi-supervised One-class SVMMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →