Ein Unternehmen möchte eine ML-Lösung zur Erkennung von Anomalien in Sensorausgaben, hat aber keine gelabelten Beispiele. Welcher Modellierungsansatz ist in diesem Fall für die unüberwachte Anomalieerkennung geeignet?

Ein Autoencoder ist die beste Wahl für die unüberwachte Anomalieerkennung ohne gelabelte Daten. Autoencoder sind neuronale Netze, die darauf trainiert werden, ihre Eingaben zu rekonstruieren. Sie lernen eine komprimierte Darstellung (Encoding) der normalen Daten. Wenn ein Autoencoder auf anomale Daten trifft, die stark von den gelernten Mustern abweichen, ist seine Rekonstruktionsfähigkeit schlecht, was zu einem hohen Rekonstruktionsfehler führt. Dieser hohe Fehler dient als Indikator für eine Anomalie. Lineare Regression und Entscheidungsbäume sind überwachte Lernalgorithmen, die gelabelte Daten für das Training benötigen. Klassifikation ist ebenfalls ein überwachtes Verfahren, das Anomalien nur erkennen kann, wenn sie als separate Klasse in den Trainingsdaten vorhanden sind, was hier nicht der Fall ist.