Полуавтоматическое обнаружение аномалий с помощью автоэнкодера
Полуавтоматическое обнаружение аномалий с помощью автоэнкодера обучает нейронный автоэнкодер преимущественно на нормальных (неразмеченных) данных, затем использует небольшое количество размеченных аномалий для уточнения границ принятия решений, обнаруживая аномалии как выборки с высокой ошибкой реконструкции. Этот метод устраняет разрыв между чисто неконтролируемыми автоэнкодерами и полностью контролируемыми классификаторами, когда метки редки, но существуют некоторые известные аномалии.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/ru/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.
- Автоэнкодер для обнаружения аномалийМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Одноклассовая SVM с частичной разметкойМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →