Detekcija anomalija pomoću ansambla autoenkodera
Ansambl autoenkodera za detekciju anomalija trenira više autoenkoder neuralnih mreža na podacima normalne klase i agregira njihove greške rekonstrukcije kako bi proizveo robustan rezultat anomalije. Kombinovanjem različitih autoenkodera umesto oslanjanja na jedan, metoda stabilizuje rangiranje odstupanja i smanjuje osetljivost na slučajnu inicijalizaciju ili suboptimalne izbore arhitekture.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM. link ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 3 & 9). Springer. ISBN: 978-3-319-47578-3
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Autoencoder Anomaly Detection (Multiple Autoencoder Aggregation for Outlier Scoring). ScholarGate. https://scholargate.app/sr/machine-learning/ensemble-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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Polu-nadgledana detekcija anomalija pomoću autoenkoderaMašinsko učenje↔ compare
- Glasački ansamblMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →