DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION
ICLR-2018 摘要 對於多維或高維數據的無監督異常檢測在基礎機器學習研究和工業應用中都是非常重要的，其密度估計是核心。雖然先前基於維數降低隨後密度估計的方法取得了豐碩成果，但它們主要受到模型學習的解耦，其優化目標不一致，並且無法在低維空間中保留基本信息。在本文中，我們提出了深度自動編碼高斯混合模型（DAGMM）用於無監督異常檢測。我們的模型利用深度自動編碼器爲每個輸入數據點生成低維表示和
相關文章
- 1. Gaussian mixture model
- 2. DEEP UNSUPERVISED CLUSTERING WITH GAUSSIAN MIXTURE VARIATIONAL AUTOENCODERS（ICLR2017）
- 3. UAINETS: FROM UNSUPERVISED TO ACTIVE DEEP ANOMALY DETECTION(譯)
- 4. Time Series Anomaly Detection
- 5. Gaussian Mixture Model(GMM）探索
- 6. A Deep One-class Model for Network Anomaly Detection
- 7. 高斯混合模型--GMM（Gaussian Mixture Model）
- 8. Deep Unsupervised Clustering Using Mixture of Autoencoders(2017)
- 9. Gaussian Mixture Model 高斯混合模型 GMM
- 10. 高斯混合模型Gaussian Mixture Model
- 更多相關文章...
- • Thymeleaf條件判斷 - Thymeleaf 教程
- • ionic 複選框 - ionic 教程
- • 委託模式
- • Docker 清理命令
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Gaussian mixture model
- 2. DEEP UNSUPERVISED CLUSTERING WITH GAUSSIAN MIXTURE VARIATIONAL AUTOENCODERS（ICLR2017）
- 3. UAINETS: FROM UNSUPERVISED TO ACTIVE DEEP ANOMALY DETECTION(譯)
- 4. Time Series Anomaly Detection
- 5. Gaussian Mixture Model(GMM）探索
- 6. A Deep One-class Model for Network Anomaly Detection
- 7. 高斯混合模型--GMM（Gaussian Mixture Model）
- 8. Deep Unsupervised Clustering Using Mixture of Autoencoders(2017)
- 9. Gaussian Mixture Model 高斯混合模型 GMM
- 10. 高斯混合模型Gaussian Mixture Model