การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอน
การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอน (Semi-supervised Autoencoder Anomaly Detection) จะฝึกฝนโครงข่ายประสาทเทียมแบบออโตเอ็นโค้ดเดอร์โดยใช้ข้อมูลปกติ (ที่ไม่มีป้ายกำกับ) เป็นหลัก จากนั้นจึงใช้ชุดข้อมูลความผิดปกติที่มีป้ายกำกับจำนวนเล็กน้อยเพื่อปรับปรุงขอบเขตการตัดสินใจ โดยตรวจจับความผิดปกติในฐานะตัวอย่างที่มีข้อผิดพลาดในการสร้างใหม่สูง วิธีนี้ช่วยเชื่อมช่องว่างระหว่างออโตเอ็นโค้ดเดอร์แบบไม่มีผู้สอนโดยสมบูรณ์กับตัวจำแนกประเภทแบบมีผู้สอนเต็มรูปแบบ เมื่อป้ายกำกับมีจำกัดแต่มีตัวอย่างความผิดปกติที่ทราบอยู่บ้าง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/th/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.
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- Semi-supervised One-class SVMการเรียนรู้ของเครื่อง↔ compare