Öz Denetimli Tek Sınıf SVM
Self-supervised One-class Support Vector Machine · Ayrıca şöyle bilinir: SS-OCSVM, Self-supervised SVDD, Self-supervised novelty detection, Pretext-task OC-SVM
Öz Denetimli Tek Sınıf SVM, etiketli anomali örneklerine ihtiyaç duymadan anormallikleri ve yenilikleri tespit etmek için ön görev tabanlı gösterim öğrenimini Tek Sınıf SVM ile birleştirir. Model önce yalnızca normal verilerden anlamlı özellik gömüleri öğrenir, ardından öğrenilen özellik uzayında aykırı dağılım örneklerini işaretlemek için bir OC-SVM sınırı uydurur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yalnızca normal veya ağırlıklı olarak normal etiketlenmemiş verilere erişiminiz olduğunda, etiketli anomaliler nadir veya mevcut olmadığında ve bilinen bir normal dağılımdan sapmaları tespit etmenin birincil hedef olduğu durumlarda Öz Denetimli Tek Sınıf SVM'yi seçin — bu durumlar dolandırıcılık tespiti, endüstriyel arıza tespiti, tıbbi görüntü taraması ve ağa izinsiz giriş tespiti gibi alanlarda yaygındır. Özellikle ham özelliklerin yüksek boyutlu veya yapılandırılmamış (görüntüler, zaman serileri, metin) olduğu ve klasik OC-SVM'nin başarısız olacağı durumlarda değerlidir. Birçok anomali örneği içeren dengeli etiketli bir veri kümeniz olduğunda (ikili veya çok sınıflı sınıflandırma daha uygundur), anlamlı bir kodlayıcıyı eğitmek için veri hacmi çok küçük olduğunda (yüzlerce örnek) veya paydaşlar tarafından model yorumlanabilirliği ve açık özellik katsayıları gerektiğinde kullanmayın.
Güçlü yönler & sınırlılıklar
- Etiketli anomali örnekleri olmadan çalışır, bu da onu gerçekçi tek sınıflı senaryolarda pratik kılar.
- Öz denetimli ön görevler, standart OC-SVM'nin ham girdilerden erişemediği zengin, görevle ilgili özellikleri çıkarır.
- Esnek mimari: kodlayıcı herhangi bir veri modalitesine (görüntüler, tablo, diziler) göre uyarlanabilir.
- OC-SVM bileşeni, nu hiperparametresi aracılığıyla eğitim aykırı değerlerinin oranı üzerinde prensipli bir olasılıksal sınır sağlar.
- Büyük hacimli etiketlenmemiş normal verileri, açıklama maliyeti olmadan gömü kalitesini artırmak için kullanabilir.
- Anlamlı bir kodlayıcıyı eğitmek için yeterli normal eğitim verisi gerektirir; çok küçük veri kümelerinde performans keskin bir şekilde düşer.
- Kodlayıcı ve OC-SVM'nin birlikte uçtan uca eğitimi önemsiz değildir ve dikkatli optimizasyon stratejileri gerektirebilir.
- Ön görev seçimi alana bağlıdır ve anomali tespit kalitesini önemli ölçüde etkileyebilir.
- Ham özellikler üzerindeki klasik OC-SVM'den daha az yorumlanabilir; öğrenilen gömü uzayı genellikle opaktır.
SSS
Tablo verileri için hangi ön görevler en iyi sonucu verir?
Tablo verileri için etkili ön görevler arasında özellik maskeleme ve yeniden yapılandırma, özellik bozulmalarıyla karşılaştırmalı öğrenme (örn. SCARF) ve permütasyonlu özellik alt kümelerini tahmin etme yer alır. Karşılaştırmalı yaklaşımlar genellikle yapılandırılmış tablo girdilerinde yeniden yapılandırma görevlerinden daha iyi performans gösterir.
Bu, standart bir Otoenkoder anomali tespitinden nasıl farklıdır?
Otoenkoder anomali tespiti, anomali puanı olarak yeniden yapılandırma hatasına dayanır, bu da anomalilerin de kolayca yeniden yapılandırılabildiği durumlarda başarısız olabilir. Öz denetimli OC-SVM bunun yerine ayırt edici gömüler öğrenir ve marj tabanlı bir sınır kullanır, bu da yeniden yapılandırmaya duyarsız anomalilere karşı daha sağlam olabilir.
Ön görevi sıfırdan eğitmek yerine önceden eğitilmiş bir model (örn. ImageNet kodlayıcı) kullanabilir miyim?
Evet. Etiketli anomaliler olmadığında ve alan ön eğitim veri dağılımına yakın olduğunda, önceden eğitilmiş bir kodlayıcı kullanmak ve gömü uzayında OC-SVM'yi uydurmak yaygın ve etkili bir kısayoldur. Ön eğitim verileri ile hedef alan arasındaki alan kayması sonuçları kötüleştirebilir.
OC-SVM için nu hiperparametresini nasıl seçerim?
Nu, aykırı değer olarak kabul edilen eğitim noktalarının oranı üzerinde bir üst sınır ve destek vektörlerinin oranı üzerinde bir alt sınırdır. Eğitim kümesinin tamamen temiz olmasını bekliyorsanız, küçük bir nu (0.01–0.05) kullanın. Bir miktar kirlilik bekleniyorsa, nu'yu buna göre artırın. Mümkünse, bilinen anomalilerin küçük bir ayrılmış kümesi üzerinde doğrulayın.
GPU gerekli mi?
Görüntü veya dizi verileri üzerinde öz denetimli kodlayıcıyı eğitmek için GPU şiddetle tavsiye edilir, ancak orta büyüklükteki tablo veri kümeleri için bir CPU tabanlı kodlayıcı ve ardından scikit-learn OC-SVM genellikle yeterlidir.
Kaynaklar
- Golan, I. & El-Yaniv, R. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 1747–1756. link ↗
- Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., Muller, E. & Kloft, M. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 4393–4402. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised One-class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-one-class-svm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Tek Sınıf Destek Vektör Makinesi (One-class SVM)Makine öğrenmesi↔ karşılaştır