Wykrywanie anomalii za pomocą samo-nadzorowanego autoenkodera
Wykrywanie anomalii za pomocą samo-nadzorowanego autoenkodera polega na trenowaniu autoenkodera przy użyciu samo-nadzorowanych zadań wstępnych — takich jak przewidywanie transformacji geometrycznych lub rozwiązywanie łamigłówek — na nieoznakowanych danych normalnych, a następnie oznaczaniu jako anomalne każdego wejścia, którego błąd rekonstrukcji lub wynik zadania wstępnego znacząco odbiega od nauczonej normalnej dystrybucji.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Wykrywanie anomalii za pomocą autoenkodera semisuperwzvisowanegoUczenie maszynowe↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →