Detecção de Anomalias com Autoencoder e Aprendizagem Ativa
A Detecção de Anomalias com Autoencoder e Aprendizagem Ativa combina a pontuação de erro de reconstrução não supervisionada de um autoencoder com um ciclo de consulta de aprendizagem ativa. O modelo sinaliza instâncias com alto erro como anomalias candidatas, solicita seletivamente a um oráculo humano que rotule as mais informativas e retreina iterativamente — alcançando uma forte detecção de anomalias com um pequeno orçamento de rotulagem.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/pt/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.
- Isolation Forest de Aprendizado AtivoAprendizado de máquina↔ compare
- Aprendizado Ativo com One-class SVMAprendizado de máquina↔ compare
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Detecção de Anomalias por Autoencoder BayesianoAprendizado de máquina↔ compare
- Detecção de Anomalias por Autoencoder em EnsembleAprendizado de máquina↔ compare
- Detecção de Anomalias com Autoencoder Semi-supervisionadoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →