Semi-overvåket autoenkoder-anomalideteksjon
Semi-overvåket autoenkoder-anomalideteksjon trener en nevral autoenkoder primært på normale (umerkede) data, og bruker deretter et lite sett med merkede anomalier for å finjustere beslutningsgrensene, og detekterer anomalier som utvalg med høy rekonstruksjonsfeil. Metoden bygger bro over gapet mellom rent uovervåkede autoenkodere og fullt overvåkede klassifikatorer når merkelapper er knappe, men noen kjente anomalier eksisterer.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/no/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.
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- Semi-supervised One-class SVMMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →