ScholarGate
助手
Machine learningMachine learning

自动编码器异常检测

自动编码器异常检测通过训练神经网络来压缩和重建正常数据。由于模型仅学习过正常数据的样子，异常输入会产生明显更高的重建误差——这些误差就成了异常分数。该方法不需要标记的异常数据，并且可以自然地扩展到高维数据，如传感器流、图像和日志记录。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

Method map

The neighbourhood of related methods — select a node to explore.

自动编码器异常检测
孤立森林 (Isolation Forest)单类支持向量机变分自编码器主动学习自编码器异常检测主动学习孤立森林贝叶斯自编码器异常检测贝叶斯单类支持向量机集成自编码器异常检测集成孤立森林集成单类支持向量机 (Ensemble One-…

+13 more

来源

  1. Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407. link ↗
  2. 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 ↗

如何引用本页

ScholarGate. (2026, June 3). Autoencoder-Based Anomaly Detection (Reconstruction-Error Method). ScholarGate. https://scholargate.app/zh/machine-learning/autoencoder-anomaly-detection

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

被引用于

主动学习自编码器异常检测主动学习孤立森林贝叶斯自编码器异常检测贝叶斯单类支持向量机集成自编码器异常检测集成孤立森林集成单类支持向量机 (Ensemble One-Class SVM)可解释自编码器异常检测可解释隔离森林可解释单类支持向量机单类支持向量机在线自编码器异常检测在线孤立森林 (Online Isolation Forest)鲁棒自编码器异常检测鲁棒隔离森林鲁棒单类支持向量机 (Robust One-Class SVM)自监督自编码器异常检测自监督单类支持向量机 (Self-supervised One-class SVM)半监督自编码器异常检测半监督隔离森林半监督单类支持向量机

发现本页有问题？报告或提出修改建议 →

ScholarGate — Autoencoder Anomaly Detection (Autoencoder-Based Anomaly Detection (Reconstruction-Error Method)). 于 2026-06-15 检索自 https://scholargate.app/zh/machine-learning/autoencoder-anomaly-detection · 数据集： https://doi.org/10.5281/zenodo.20539026