Yarı Denetimli Otomatik Kodlayıcı Aykırı Değer Tespiti
Semi-supervised Autoencoder-based Anomaly Detection · Ayrıca şöyle bilinir: Semi-supervised AE anomaly detection, SSAD autoencoder, semi-supervised reconstruction-error detection, partially labeled autoencoder anomaly detection
Yarı Denetimli Otomatik Kodlayıcı Aykırı Değer Tespiti, öncelikli olarak normal (etiketsiz) veriler üzerinde bir yapay sinir ağı otomatik kodlayıcısı eğitir, ardından karar sınırlarını iyileştirmek için az sayıda etiketli aykırı değer örneği kullanır ve yüksek yeniden yapılandırma hatasına sahip örnekleri aykırı değer olarak tespit eder. Etiketlerin kıt olduğu ancak bilinen bazı aykırı değerlerin mevcut olduğu durumlarda, tamamen denetimsiz otomatik kodlayıcılar ile tam denetimli sınıflandırıcılar arasındaki boşluğu doldurur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bol miktarda, çoğunlukla normal olan etiketsiz veriye ek olarak az sayıda ancak güvenilir onaylanmış aykırı değer kümeniz olduğunda ve hazır denetimsiz aykırı değer dedektörleri çok fazla yanlış pozitif ürettiğinde önerilir. Özellikle sensör sinyalleri, ağ trafiği veya geleneksel yöntemlerin (örneğin, tek sınıf SVM) yetersiz ölçeklendiği görüntüler gibi yüksek boyutlu veya doğrusal olmayan veriler için etkilidir. Hiç etiketli aykırı değer mevcut olmadığında (denetimsiz otomatik kodlayıcıları tercih edin) veya tam denetimli bir sınıflandırıcı için yeterli etikete sahip olduğunuzda kullanmayın. Çok küçük veri kümeleriyle (birkaç yüz örneğin altında) kaçının, çünkü derin ağ genelleme yapamaz.
Güçlü yönler & sınırlılıklar
- Bol miktarda etiketsiz veriyi, kıt etiketli aykırı değerlerle birlikte etkili bir şekilde kullanır, veri verimliliğini en üst düzeye çıkarır.
- Çekirdek tabanlı yöntemler olan tek sınıf SVM'den çok daha iyi şekilde yüksek boyutlu ve doğrusal olmayan özellik uzaylarını işler.
- Aykırı değer puanı (yeniden yapılandırma hatası) süreklidir, bu da ince ayar eşik ayarını operasyonel gereksinimlere uyacak şekilde sağlar.
- Normal veri üzerinde ön eğitim, tam denetimli bir yaklaşıma kıyasla gereken etiketli aykırı değer sayısını azaltan güçlü bir önsel sağlar.
- Mimari esnektir ve görüntüler, zaman serileri veya metinler için evrişimli, tekrarlayan veya dönüştürücü katmanları içerebilir.
- Bölümlendirmenin dikkatli yapılmasını gerektirir: etiketsiz havuz çok sayıda aykırı değer içeriyorsa, ön eğitim bozulur ve performans önemli ölçüde düşer.
- Derin otomatik kodlayıcılar, sığ yöntemlere kıyasla eğitmek ve ayarlamak için hesaplama açısından yoğundur.
- Yorumlanabilirlik sınırlıdır; yeniden yapılandırma hatası sinyali, aykırı değere hangi özelliklerin neden olduğunu açıklamaz.
- Mimari derinliği, gizli boyut ve denetimsiz ile denetimli hedefler arasındaki kayıp ağırlıklandırmasına duyarlıdır.
- Eşik seçimi önemsiz değildir ve keyfi kesintileri önlemek için tutulmuş etiketli veriler üzerinde doğrulanmalıdır.
SSS
Ne kadar etiketli aykırı değere ihtiyaç var?
Yöntem, en az bir düzine onaylanmış aykırı değerle çalışabilir, ancak performans yüzlercesine kadar önemli ölçüde iyileşir. Anahtar nokta, etiketli aykırı değerlerin alanda mevcut olan ana anormal davranış türlerini kapsamasıdır.
Gizli aykırı değerler içeren etiketsiz havuzum ne olursa?
Etiketsiz kirlilik en büyük hata modudur. İnce ayardan önce ön eğitim havuzundan bariz aykırı değerleri kaldırmak için önleyici bir denetimsiz filtre (örneğin, izolasyon ormanı) uygulayın.
Yeniden yapılandırma hatası eşiğini nasıl seçerim?
Yanlış pozitif ve yanlış negatiflere ilişkin operasyonel toleransınızı karşılayan bir eşik seçmek için etiketli aykırı değer kümenizi ve bir hassasiyet-duyarlılık eğrisini kullanın. Eşiği asla modelin eğitildiği veriler üzerinde seçmeyin.
Bu, tek sınıf SVM veya izolasyon ormanından daha mı iyi?
En azından bazı etiketli aykırı değerlere sahip yüksek boyutlu veya doğrusal olmayan verilerde, yarı denetimli otomatik kodlayıcılar tipik olarak tek sınıf SVM ve izolasyon ormanından daha iyi performans gösterir. Çok küçük örneklemeli düşük boyutlu tablo verilerinde, daha basit yöntemler daha düşük maliyetle performansını eşleştirebilir veya aşabilir.
Hangi değerlendirme metriklerini raporlamalıyım?
Gerçek aykırı değer prevalansını koruyan tutulmuş bir test kümesi üzerinde AUROC ve ortalama hassasiyeti (hassasiyet-duyarlılık eğrisi altındaki alan) raporlayın. Sabit bir eşikte doğruluk ve F1 ikincil metrikler olmalı, eşik gerekçesi sağlanmalıdır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Autoencoder-based Anomaly Detection. ScholarGate. https://scholargate.app/tr/machine-learning/semi-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
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Tek Sınıf Destek Vektör Makinesi (One-class SVM)Makine öğrenmesi↔ karşılaştır