Ensemble Autoencoder Anomaly Detection
Ensemble Autoencoder Anomaly Detection trenerer flere autoencoder nevrale nettverk på data fra normalklassen og aggregerer deres rekonstruksjonsfeil for å produsere en robust anomaliscore. Ved å kombinere ulike autoencodere i stedet for å stole på én, stabiliserer metoden rangeringen av uteliggere og reduserer følsomheten for tilfeldig initialisering eller suboptimale arkitekturvalg.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/no/machine-learning/ensemble-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.
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Semi-overvåket autoenkoder-anomalideteksjonMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →