Wykrywanie anomalii z wykorzystaniem autoenkoderów i aktywnego uczenia
Wykrywanie anomalii z wykorzystaniem autoenkoderów i aktywnego uczenia łączy nienadzorowane punktowanie błędów rekonstrukcji przez autoenkoder z pętlą zapytań w aktywnym uczeniu. Model oznacza instancje z wysokim błędem jako kandydatów na anomalie, selektywnie prosi ludzkiego orakula o etykietowanie najbardziej informatywnych instancji i iteracyjnie przetrenowuje model — osiągając silne wykrywanie anomalii przy niewielkim budżecie na etykietowanie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/pl/machine-learning/active-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.
- Aktywne uczenie z wykorzystaniem Isolation ForestUczenie maszynowe↔ compare
- Aktywne uczenie maszynowe z jednoklasowym SVMUczenie maszynowe↔ compare
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Bayesowskie autoenkodery do detekcji anomaliiUczenie maszynowe↔ compare
- Wykrywanie anomalii metodą autoenkoderów zespołowychUczenie maszynowe↔ compare
- Wykrywanie anomalii za pomocą autoenkodera semisuperwzvisowanegoUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →