การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเอง
การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเอง (Self-supervised autoencoder anomaly detection) เป็นการฝึกออโตเอ็นโค้ดเดอร์โดยใช้ภารกิจตั้งต้นแบบกำกับตนเอง (self-supervised pretext tasks) เช่น การทำนายการแปลงทางเรขาคณิต หรือการแก้ปริศนาจิ๊กซอว์ บนข้อมูลปกติที่ไม่มีป้ายกำกับ จากนั้นจึงระบุข้อมูลนำเข้าใดๆ ที่มีข้อผิดพลาดในการสร้างใหม่ (reconstruction error) หรือคะแนนภารกิจตั้งต้นเบี่ยงเบนไปจากค่าเฉลี่ยของการกระจายข้อมูลปกติที่เรียนรู้ไว้อย่างมีนัยสำคัญว่าเป็นความผิดปกติ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/th/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.
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอนการเรียนรู้ของเครื่อง↔ compare
- ตัวเข้ารหัสอัตโนมัติแบบแปรผันการเรียนรู้เชิงลึก↔ compare