Semihandled autoencoder för avvikelsedetektering
Semihandled autoencoder för avvikelsedetektering tränar en neural autoencoder primärt på normala (oetiketterade) data, och använder sedan en liten uppsättning etiketterade avvikelser för att förfina beslutgränserna, och detekterar avvikelser som sampel med högt rekonstruktionsfel. Den överbryggar klyftan mellan rent ohandledda autoencoders och helt handledda klassificerare när etiketter är knappa men vissa kända avvikelser existerar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/sv/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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- Semi-supervised One-class SVMMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →