Polu-nadgledana detekcija anomalija pomoću autoenkodera
Polu-nadgledana detekcija anomalija pomoću autoenkodera trenira neuronski autoenkoder primarno na normalnim (neoznačenim) podacima, zatim koristi mali skup označenih anomalija za fino podešavanje graničnih vrednosti odluke, detektujući anomalije kao uzorke sa visokom greškom rekonstrukcije. Ona premošćuje jaz između čisto ne-nadgledanih autoenkodera i potpuno nadgledanih klasifikatora kada su oznake retke, ali postoje neke poznate anomalije.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/sr/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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Polu-nadgledani jednoklasni SVMMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →