Selvveiledet autoenkoder for avviksdeteksjon
Selvveiledet autoenkoder for avviksdeteksjon trener en autoenkoder ved hjelp av selvveiledede pretekstoppgaver – som å forutsi geometriske transformasjoner eller løse puslespill – på umerkede normale data. Deretter flagges enhver input som avvikende hvis rekonstruksjonsfeilen eller pretekstoppgave-skåren avviker betydelig fra den lærte normalfordelingen.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/no/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.
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semi-overvåket autoenkoder-anomalideteksjonMaskinlæring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →