Öz Denetimli Otoenkoder Anomali Tespiti
Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection) · Ayrıca şöyle bilinir: SSL Autoencoder anomaly detection, self-supervised reconstruction anomaly detection, pretext-task autoencoder anomaly detection, contrastive autoencoder anomaly detection
Öz denetimli otoenkoder anomali tespiti, etiketlenmemiş normal veriler üzerinde geometrik dönüşümleri tahmin etme veya yapbozları çözme gibi öz denetimli öncül görevler kullanarak bir otoenkoderi eğitir, ardından yeniden yapılandırma hatası veya öncül görev puanı öğrenilen normal dağılımdan önemli ölçüde sapan herhangi bir girdiyi anomali olarak işaretler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli anomali örnekleri mevcut olmadığında veya son derece az olduğunda, veri kümesi derin bir ağı eğitmek için yeterince büyük olduğunda (genellikle en az birkaç yüz normal örnek) ve anomaliler normal manifolda yakın olduğu için basit yeniden yapılandırma tabanlı otoenkoderler yetersiz kaldığında öz denetimli otoenkoder anomali tespitini kullanın. Özellikle zengin yapıya sahip görüntü, video ve zaman serisi verileri için etkilidir. Klasik yöntemler olan Isolation Forest veya One-Class SVM'nin daha basit ve benzer şekilde doğru olduğu küçük tablo veri kümeleri (birkaç yüz satırdan az) için bu yaklaşımdan kaçının; yorumlanabilirlik gerektiğinde kaçının, çünkü derin otoenkoderler kara kutu modellerdir.
Güçlü yönler & sınırlılıklar
- Etiketli anomali örneği gerektirmez — tamamen etiketlenmemiş normal veriler üzerinde eğitilir.
- Öncül görevler, basit yeniden yapılandırmadan daha zengin temsiller üretir, genellikle anomali ayrımını iyileştirir.
- Görüntüler, ses ve çok değişkenli zaman serileri gibi karmaşık, yüksek boyutlu verilere iyi genelleşir.
- Esnektir: öncül görev seçimi veri modalitesine ve alan bilgisine uyarlanabilir.
- Model bilinen hataları ezberlemek yerine normalliği kodladığı için yeni, görülmemiş anomali türlerini tespit edebilir.
- Önemli miktarda etiketlenmemiş normal veri ve GPU kaynakları gerektirir; çok küçük veri kümeleri için pratik değildir.
- Hiperparametre ayarı (mimari, öncül görev, eşik) önemsiz değildir ve alana bağımlıdır.
- Anomali puanı eşiği doğrudan yorumlanabilir değildir ve ampirik olarak kalibre edilmelidir.
- Eğitim kümesi anomalilerle kirlenmişse, model saf olmayan bir normal dağılım öğrendiği için performans düşer.
SSS
Bu, anomali tespiti için standart bir otoenkoderden nasıl farklıdır?
Standart bir otoenkoder yalnızca yeniden yapılandırma kaybı üzerinde eğitilir. Öz denetimli varyantlar, kodlayıcıyı normalliğin daha zengin, daha ayırt edici temsillerini öğrenmeye zorlayan öncül görevler (örneğin, uygulanan rotasyonları tahmin etme) ekler. Bu, basit bir otoenkoderin hala yeterince yeniden yapılandırdığı ince anomalilerin tespitini tipik olarak iyileştirir.
Hangi öncül görevi seçmeliyim?
En iyi öncül görev, veri modalitesine bağlıdır. Geometrik dönüşümler (rotasyonlar, çevirmeler) görüntüler için iyi çalışır. Zamansal karıştırma veya maskeleme zaman serileri için çalışır. Maskelenmiş özellik tahmini tablo verilerine uygundur. Görev, normal kalıplardan çözülebilir olmalı, ancak anormal olanlardan çözülmesi zor olmalıdır.
Anomali eşiğini nasıl ayarlarım?
Normal eğitim verilerinin temiz bir alt kümesini ayırın, üzerinde anomali puanlarını hesaplayın ve eşiği yüksek bir yüzdelik dilimde (örneğin, %95 veya %99) ayarlayın. Yanlış pozitif maliyeti yüksekse, daha yüksek bir yüzdelik dilim seçin; yanlış negatif maliyeti yüksekse, daha düşük bir tane seçin.
Veri kümem küçük — bu yöntemi kullanmalı mıyım?
Muhtemelen hayır. Derin otoenkoder yöntemleri, anlamlı temsiller öğrenmek için en az birkaç yüz normal örneğe ihtiyaç duyar. Küçük tablo veri kümeleri için Isolation Forest, One-Class SVM veya Local Outlier Factor daha basit, daha hızlı ve genellikle eşit veya daha doğrudur.
Bazı etiketli anomalilerim olduğunda bunu kullanabilir miyim?
Evet. Az sayıda etiketli anomaliyle bile, öz denetimli hedefi denetimli karşılaştırmalı veya ikili bir kayıpla artırabilir veya eşiği daha hassas bir şekilde ayarlamak için anomali puanlarını kullanabilirsiniz. Etiketler bol ise, tamamen denetimli veya yarı denetimli yaklaşımlar, tamamen öz denetimli varyanttan daha iyi performans gösterebilir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised Autoencoder Anomaly Detection (Pretext-Task Reconstruction-Based Anomaly Detection). ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-autoencoder-anomaly-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Otomatik Kodlayıcı Aykırı Değer TespitiMakine öğrenmesi↔ karşılaştır
- Varyasyonel Otomatik KodlayıcıDerin öğrenme↔ karşılaştır