Active Learning Isolation Forest
Active Learning Isolation Forest ผสานพลังการให้คะแนนความผิดปกติแบบไม่มีผู้สอน (unsupervised anomaly-scoring) ของ Isolation Forest เข้ากับกลยุทธ์การสอบถาม (query strategy) แบบวนซ้ำที่ขอให้ผู้เชี่ยวชาญที่เป็นมนุษย์ติดป้ายกำกับข้อมูลที่ให้ข้อมูลมากที่สุด ผลลัพธ์คือตัวตรวจจับที่ปรับปรุงขอบเขตความผิดปกติให้แม่นยำขึ้นโดยใช้ งบประมาณการติดป้ายกำกับ (labeling budget) ที่น้อยที่สุด ซึ่งช่วยเพิ่มความแม่นยำ (precision) อย่างมากต่อความผิดปกติที่หายากและละเอียดอ่อน เมื่อเทียบกับวิธีการแบบไม่มีผู้สอนเพียงอย่างเดียว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Das, S., Wong, W. K., Fern, A., Dietterich, T. G., & Amran Siddiqui, M. (2019). Incorporating Expert Feedback into Active Anomaly Discovery. In Proceedings of the 2019 IEEE International Conference on Data Mining (ICDM), pp. 1009–1014. link ↗
- Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), pp. 413–422. DOI: 10.1109/ICDM.2008.17 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/th/machine-learning/active-learning-isolation-forest
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.
- Active Learningการเรียนรู้ของเครื่อง↔ compare
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare
- Isolation Forest แบบกึ่งมีผู้สอนการเรียนรู้ของเครื่อง↔ compare