Detecția anomaliilor cu autoencoder auto-supervizat
Detecția anomaliilor cu autoencoder auto-supervizat antrenează un autoencoder utilizând sarcini pretext auto-supervizate — cum ar fi prezicerea transformărilor geometrice sau rezolvarea puzzle-urilor — pe date normale neetichetate, apoi marchează ca anomaliile orice intrare a cărei eroare de reconstrucție sau scor al sarcinii pretext deviază substanțial de la distribuția normală învățată.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/ro/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.
- Detecția anomaliilor cu autoencoderÎnvățare automată↔ compare
- Isolation ForestÎnvățare automată↔ compare
- SVM pentru o singură clasăÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Detecția anomaliilor cu autoencoder semi-supervizatÎnvățare automată↔ compare
- Autoencoder VariaționalÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →