Detecção de Anomalias por Autoencoder em Ensemble
A Detecção de Anomalias por Autoencoder em Ensemble treina múltiplas redes neurais autoencoder em dados da classe normal e agrega seus erros de reconstrução para produzir uma pontuação de anomalia robusta. Ao combinar autoencoders diversos em vez de depender de um único, o método estabiliza os rankings de outliers e reduz a sensibilidade à inicialização aleatória ou a escolhas de arquitetura subótimas.
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
- 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
Como citar esta página
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/pt/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.
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- One-Class SVMAprendizado de máquina↔ compare
- Detecção de Anomalias com Autoencoder Semi-supervisionadoAprendizado de máquina↔ compare
- Comitê de VotaçãoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →