ScholarGate
Assistent
Machine learningMachine learning

Autoenkoder-anomalideteksjon

Autoenkoder-anomalideteksjon trener et nevralt nettverk til å komprimere og deretter rekonstruere normale data. Siden modellen kun har lært hvordan normal data ser ut, vil unormale input gi merkbart høyere rekonstruksjonsfeil – og disse feilene blir anomaliskåren. Metoden krever ingen merkede anomalier og skalerer naturlig til høydimensjonale data som sensordata, bilder og loggoppføringer.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

The neighbourhood of related methods — select a node to explore.

+13 more

Kilder

  1. Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link
  2. Hinton, G. E. & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. DOI: 10.1126/science.1127647

Slik siterer du denne siden

ScholarGate. (2026, June 3). Autoencoder-Based Anomaly Detection (Reconstruction-Error Method). ScholarGate. https://scholargate.app/no/machine-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.

Compare side by side

Referert av

ScholarGateAutoencoder Anomaly Detection (Autoencoder-Based Anomaly Detection (Reconstruction-Error Method)). Hentet 2026-06-15 fra https://scholargate.app/no/machine-learning/autoencoder-anomaly-detection · Datasett: https://doi.org/10.5281/zenodo.20539026