Machine learningMachine learning

Активное обучение с автоэнкодером для обнаружения аномалий

Активное обучение с автоэнкодером для обнаружения аномалий сочетает бесконтрольное определение аномалий по ошибке реконструкции автоэнкодера с циклом запросов в рамках активного обучения. Модель помечает экземпляры с высокой ошибкой как кандидатов в аномалии, выборочно запрашивает у человека-оракула метки для наиболее информативных из них и итеративно переобучается, достигая высокой точности обнаружения аномалий при небольшом бюджете на разметку.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. 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
  2. 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

Как цитировать эту страницу

ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/ru/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.

Compare side by side
ScholarGateActive Learning Autoencoder Anomaly Detection (Active Learning-Guided Autoencoder Anomaly Detection). Получено 2026-06-15 из https://scholargate.app/ru/machine-learning/active-learning-autoencoder-anomaly-detection · Набор данных: https://doi.org/10.5281/zenodo.20539026