Detecção de Anomalias com Autoencoder Semi-supervisionado
A Detecção de Anomalias com Autoencoder Semi-supervisionado treina um autoencoder neural primariamente em dados normais (não rotulados), e então usa um pequeno conjunto de anomalias rotuladas para refinar as fronteiras de decisão, detectando anomalias como amostras com alto erro de reconstrução. Ele preenche a lacuna entre autoencoders puramente não supervisionados e classificadores totalmente supervisionados quando os rótulos são escassos, mas algumas anomalias conhecidas existem.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/pt/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.
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- One-Class SVMAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- SVM de Uma Classe SemissupervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →