ScholarGate
Ассистент
Machine learningMachine learning

Надежное обнаружение аномалий автокодировщика

Robust Autoencoder Anomaly Detection расширяет стандартную архитектуру автоэнкодера механизмами робастности — такими как разреженная декомпозиция, робастные функции потерь или состязательная регуляризация — чтобы модель обучалась компактному представлению нормального поведения, оставаясь при этом устойчивой к искажающему влиянию аномалий, внедренных в обучающие данные.

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. Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM. DOI: 10.1145/3097983.3098052
  2. Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link

Как цитировать эту страницу

ScholarGate. (2026, June 3). Robust Autoencoder-Based Anomaly Detection. ScholarGate. https://scholargate.app/ru/machine-learning/robust-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

Упоминается в

ScholarGateRobust Autoencoder anomaly detection (Robust Autoencoder-Based Anomaly Detection). Получено 2026-06-15 из https://scholargate.app/ru/machine-learning/robust-autoencoder-anomaly-detection · Набор данных: https://doi.org/10.5281/zenodo.20539026