mengluohuayexuan的博客

与上一篇训练过程中的执行步骤一模一样，可以结合我前一篇的内容来看，此处不做过多赘述。评估完后，获取指标，求平均，然后把指标打印出来。至此，模型的评估过程完全结束！传递进去，注意此处传递的参数是0。方法，按代码步骤开始执行。，所以一个批次就能搞定。1.模型训练完，到达。

拓展到[178, 15, 30]大小的张量，即包含 178 个批次的数据，每个批次有 15 个遮罩，每个遮罩处理的数据有 30 个特征。接下来，循环进行对每个遮罩的操作。时，每个元素的大小如下图所示。此步对应上一篇3.2节：G从X中学习信息，并输出一个与X同维度的遮罩矩阵M，即代码中的。一共是178个三维训练数据，每个数据有15个mask，每个mask对应30个特征，但是此时。，由于前面的初始化已经把模型参数定义完成，执行。去接收，得到的结果也与上图的形状一致，方法，代码解释看代码段，执行到。

MCM模型的代码解读一，主要涉及模型定义与初始化参数

解决了表格数据（即结构化数据）中的异常检测问题——通常由one-class分类（只有一个类别或类别的样本集用于训练模型。通常，这个类别包含所谓的正常或良性样本，而异常样本或异常类别是未知的或未在训练数据中包含的）设置实现，训练集仅包含正常样本。本文主要工作：扩展了遮罩建模方法，捕获训练集中特征之间的内在相关性，偏离这种相关性的样本极有可能是异常。贡献1：如何获得多元和多样化的相关性——新遮罩策略（学习产生多个遮罩）