Wykrywanie anomalii metodą autoenkoderów zespołowych
Wykrywanie anomalii metodą autoenkoderów zespołowych polega na trenowaniu wielu sieci neuronowych typu autoenkoder na danych należących do klasy normalnej i agregowaniu ich błędów rekonstrukcji w celu uzyskania solidnego wyniku anomalii. Łącząc różnorodne autoenkodery, zamiast polegać na jednym, metoda stabilizuje rankingi wartości odstających i zmniejsza wrażliwość na losową inicjalizację lub nieoptymalne wybory architektury.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Wykrywanie anomalii za pomocą autoenkodera semisuperwzvisowanegoUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →