在one class classificaiton中,仅仅只有一类的信息用于训练,其他类别的(outlier)信息是缺失的,即区分两个类别的边界线是通过仅有的一类数据的信息学习得到的。
利用已知部分正常节点来检测异常,即只利用一类正常节点来实现二分类,这是one-class的任务。
二分类中常用的BCE Loss,理解这里的Loss就是判断模型的好坏并纠正,对于错误的预测,应该返回高值,对于良好的预测,应该返回低值。
在one class classificaiton中,仅仅只有一类的信息用于训练,其他类别的(outlier)信息是缺失的,即区分两个类别的边界线是通过仅有的一类数据的信息学习得到的。
利用已知部分正常节点来检测异常,即只利用一类正常节点来实现二分类,这是one-class的任务。
二分类中常用的BCE Loss,理解这里的Loss就是判断模型的好坏并纠正,对于错误的预测,应该返回高值,对于良好的预测,应该返回低值。

被折叠的 条评论
为什么被折叠?