Otokodlayıcı Anomali Tespiti
Autoencoder-Based Anomaly Detection (Reconstruction-Error Method) · Ayrıca şöyle bilinir: AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection
Otokodlayıcı anomali tespiti, normal veriyi sıkıştırmak ve ardından yeniden yapılandırmak için bir sinir ağı eğitir. Model yalnızca normalin neye benzediğini öğrendiği için, anormal girdiler fark edilir derecede daha yüksek yeniden yapılandırma hataları üretir ve bu hatalar anomali skorunu oluşturur. Yöntem, etiketli anomali gerektirmez ve sensör akışları, görüntüler ve günlük kayıtları gibi yüksek boyutlu verilere doğal olarak ölçeklenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+13 tane daha
Ne zaman kullanılır
Etiketli anomali örnekleri az veya hiç olmadığında, normal sınıf iyi temsil edildiğinde ve veri boyutu tek sınıflı SVM gibi klasik yöntemler için çok yüksek olduğunda otokodlayıcı anomali tespitini kullanın. Sensör zaman serileri, ağ trafiği günlükleri, tıbbi görüntüleme ve üretim kalite kontrolünde üstündür. Normal veri dağılımı aşırı derecede çeşitli veya çok modlu olduğunda (otokodlayıcı kompakt bir temsil bulamayabilir), yalnızca çok küçük bir veri kümeniz olduğunda (derin ağların genelleme yapabilmesi için yeterli veriye ihtiyacı vardır) veya basit, yorumlanabilir kural tabanlı bir eşik yeterli olduğunda bundan kaçının. Etiketli anomali verileri gerçekten mevcut olduğunda uygulamayın — denetimli veya yarı denetimli sınıflandırıcılar bu durumda neredeyse her zaman daha iyi performans gösterecektir.
Güçlü yönler & sınırlılıklar
- Etiketli anomali örneği gerektirmez — eğitim için yalnızca normal veri gereklidir.
- Görüntüler, zaman serileri ve çoklu sensör akışları gibi yüksek boyutlu girdilere doğal olarak ölçeklenir.
- İkili bir bayrak yerine sıralı uyarıya olanak tanıyan sürekli bir anomali skoru üretir.
- PCA gibi doğrusal yöntemlerin temsil edemediği karmaşık, doğrusal olmayan normal örüntüleri yakalayabilir.
- Mimari esnektir: görüntüler için evrişimsel katmanlar, diziler için LSTM katmanları, tablo verileri için ileri beslemeli katmanlar.
- Yeterince büyük ve temsili bir normal veri örneği gerektirir; nadir normal alt örüntüler, anormal olmasalar bile kötü yeniden yapılandırılabilir.
- Eşik seçimi sezgisel ve hassastır: kötü seçilmiş bir tau, aşırı yanlış pozitiflere veya kaçırılan anomalilere yol açar.
- Yorumlanabilirlik düşüktür — yeniden yapılandırma hatası bir anomalinin var olduğunu gösterir, ancak ek analiz (örneğin, özellik başına hata ayrıştırması) olmadan hangi özelliklerin buna yol açtığını göstermez.
- Derin ağları eğitmek, mimariyi, öğrenme oranını ve düzenlileştirmeyi ayarlamayı gerektirir; yöntem, izolasyon ormanı veya tek sınıflı SVM kadar kullanıma hazır değildir.
- Anomaliler eğitim kümesini kirletirse, model bunları kısmen yeniden yapılandırmayı öğrenir ve tespit duyarlılığını düşürür.
SSS
Darboğaz boyutunu nasıl seçerim?
Darboğaz, normal örüntülerin sıkıştırılmasını zorlayacak kadar küçük, ancak temel yapıyı kaybetmeyecek kadar büyük olmalıdır. Yaygın uygulama, girdi boyutunun yaklaşık %10-30'u ile başlamak ve ayrılmış normal veriler üzerindeki yeniden yapılandırma kalitesini inceleyerek ayarlamaktır.
Normal verilerimde birden fazla mod varsa (örneğin, farklı makine çalışma durumları) ne olur?
Tek bir otokodlayıcı tüm modları eşit derecede iyi öğrenemeyebilir, bu da az temsil edilen ancak normal durumlarda yanlış alarmlara neden olabilir. Seçenekler arasında her mod için ayrı bir otokodlayıcı eğitmek, otokodlayıcı karışımı yaklaşımı kullanmak veya mevcutsa bilinen bir mod etiketine göre koşullandırmak yer alır.
Anomali eşiğini nasıl ayarlamalıyım?
Temiz, ayrılmış bir normal veri doğrulama kümesi üzerinde yeniden yapılandırma hatalarını hesaplayın ve tau'yu yüksek bir yüzdelik dilimde (%95 veya %99, kabul edilebilir yanlış pozitif oranına bağlı olarak) ayarlayın. Etiketli anomaliler mevcutsa, F1'i veya istenen kesinlik-geri çağırma dengesini maksimize etmek için tau'yu ayarlayın.
Bu, izolasyon ormanı veya tek sınıflı SVM ile nasıl karşılaştırılır?
İzolasyon ormanı ve tek sınıflı SVM, genellikle düşük ila orta boyutlu tablo verilerinde ayarlanması daha kolay ve daha yorumlanabilirdir. Otokodlayıcılar, boyutluluk çok yüksek olduğunda, zamansal veya uzamsal yapı önemli olduğunda veya ham pikseller veya dalga formları girdi olduğunda avantajlı hale gelir.
Varyasyonel otokodlayıcı (VAE) kullanabilir miyim?
Evet. VAE'ler olasılıksal bir gizli uzay öğrenir ve anomali skorlamasını ham MSE yerine yeniden yapılandırma olasılığı aracılığıyla yapmaya izin verir, bu da genellikle kalibrasyonu iyileştirir. Normal dağılım karmaşık olduğunda veya iyi kalibre edilmiş belirsizlik tahminleri istediğinizde doğal bir uzantıdırlar.
Kaynaklar
- Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
- Hinton, G. E. & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. DOI: 10.1126/science.1127647 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Autoencoder-Based Anomaly Detection (Reconstruction-Error Method). ScholarGate. https://scholargate.app/tr/machine-learning/autoencoder-anomaly-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Varyasyonel Otomatik KodlayıcıDerin öğrenme↔ karşılaştır