KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Auto-Encodeur Anormal
Variante des auto-encodeurs où le modèle est entraîné principalement sur des données anormales, permettant une reconstruction efficace des anomalies et une mauvaise reconstruction des données normales.
GAN Anomaly Detection
Méthode utilisant des Réseaux Antagonistes Génératifs où le discriminateur apprend à distinguer les données normales des anomalies, ou le générateur est incapable de créer des anomalies réalistes.
Mécanisme d'Attention pour Anomalies
Module dans les réseaux de neurones qui pondère l'importance de différentes parties des données d'entrée, permettant d'isoler les régions ou les pas de temps responsables du comportement anormal.
Détection d'Anomalie par LSTM
Approche utilisant des réseaux de neurones récurrents à mémoire longue (LSTM) pour modéliser les dépendances temporelles des séries chronologiques et identifier les écarts par rapport au motif appris.
Transformers pour Séries Temporelles
Application de l'architecture Transformer, basée sur les mécanismes d'auto-attention, pour modéliser les relations à long terme dans les données séquentielles et détecter les anomalies subtiles.
Apprentissage Non-Supervisé Profond
Paradigme où des réseaux de neurones profonds apprennent la structure des données normales sans étiquettes, utilisant cette connaissance pour signaler tout ce qui s'en écarte comme une anomalie.
Isolation Forest Profond
Extension de l'algorithme Isolation Forest où les divisions de l'espace sont réalisées par des couches de neurones, permettant une isolation plus complexe et efficace des anomalies dans des espaces de grande dimension.
Graph Neural Network pour Anomalies
Utilisation de réseaux de neurones sur graphes pour détecter des anomalies dans des données structurées en réseaux, en identifiant des nœuds ou des sous-graphes dont le comportement dévie de la norme.
Episodic Memory for Anomalies
Neural network architecture integrating a memory module that stores prototypes of normal data, allowing new inputs to be compared against this knowledge base to detect anomalies.
Predictive Coding for Anomalies
Model that predicts the next time step in a sequence; a large prediction error indicates that the observed event was unexpected and therefore potentially abnormal.
Contrastive Learning for Anomalies
Learning technique where the model is trained to bring representations of normal data closer together and push those of anomalies apart, improving separation in the latent space.
Variational Auto-Encoder (VAE) for Anomalies
Auto-encoder that learns a probabilistic distribution of the latent space; anomalies are identified by their low probability under this distribution learned on normal data.