Detecția anomaliilor cu autoencoder semi-supervizat
Detecția anomaliilor cu autoencoder semi-supervizat antrenează un autoencoder neuronal în principal pe date normale (neetichetate), apoi utilizează un set mic de anomalii etichetate pentru a rafina granițele de decizie, detectând anomaliile ca eșantioane cu eroare de reconstrucție ridicată. Acesta acoperă decalajul dintre autoencoderele pur nesupervizate și clasificatorii complet supervizați atunci când etichetele sunt rare, dar există anomalii cunoscute.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/ro/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.
- Detecția anomaliilor cu autoencoderÎnvățare automată↔ compare
- Isolation ForestÎnvățare automată↔ compare
- SVM pentru o singură clasăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
- Semi-supervised One-class SVMÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →