Wykrywanie anomalii za pomocą autoenkodera semisuperwzvisowanego
Wykrywanie anomalii za pomocą autoenkodera semisuperwzvisowanego polega na trenowaniu neuronowego autoenkodera głównie na normalnych (nieetykietowanych) danych, a następnie wykorzystaniu niewielkiego zbioru etykietowanych anomalii do doprecyzowania granic decyzyjnych, wykrywając anomalie jako próbki o wysokim błędzie rekonstrukcji. Metoda ta wypełnia lukę między czysto nienadzorowanymi autoenkoderami a w pełni nadzorowanymi klasyfikatorami, gdy etykiety są rzadkie, ale istnieją pewne znane anomalie.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Półnadzorowany SVM Jednej KlasyUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →