Detekcija anomalija pomoću samosupervizovanog autoenkodera
Detekcija anomalija pomoću samosupervizovanog autoenkodera obučava autoenkoder koristeći samosupervizovane pretekst zadatke — kao što je predviđanje geometrijskih transformacija ili rešavanje slagalica — na neoznačenim normalnim podacima, a zatim označava kao anomalne sve ulaze čija greška rekonstrukcije ili skor pretekst zadatka značajno odstupa od naučene normalne distribucije.
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
- Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., Dietterich, T. G., & Müller, K.-R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756–795. DOI: 10.1109/JPROC.2021.3052449 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/sr/machine-learning/self-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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Polu-nadgledana detekcija anomalija pomoću autoenkoderaMašinsko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →