Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Ізоляційний ліс× | Варіаційний автокодувальник× | |
|---|---|---|
| Галузь≠ | Машинне навчання | Глибоке навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2008 | 2014 |
| Автор методу≠ | Liu, F.T., Ting, K.M. & Zhou, Z.-H. | Kingma, D. P. & Welling, M. |
| Тип≠ | Unsupervised ensemble (random partitioning trees) | Deep generative latent-variable model (encoder–decoder) |
| Основоположне джерело≠ | Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI ↗ | Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗ |
| Інші назви≠ | Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection | Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model |
| Пов'язані | 5 | 5 |
| Підсумок≠ | Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets. | The Variational Autoencoder (VAE) is a deep generative latent-variable model, introduced by Diederik Kingma and Max Welling in 2014, that encodes data as a probability distribution in a latent space and samples from that distribution to generate new examples. It is used for data generation, anomaly detection, and feature learning. |
| ScholarGateНабір даних ↗ |
|
|