Я. Гудфеллоу, И. Бенджио, А. Курвилль

 

Обнаружение аномалий.
В этой задаче программа анализирует множество со-
бытий или объектов и помечает некоторые из них как нетипичные. Примером 
может служить обнаружение мошенничества с кредитными картами. Благо-
даря моделированию покупательских привычек компания-эмитент кредитных 
карт может обнаружить аномальное использование карты. Покупки человека, 
укравшего вашу карту или информацию о ней, зачастую характеризуются не 
таким распределением вероятности, как ваши. Обнаружив аномальную покуп-
ку, компания сможет предотвратить мошенничество, заблокировав счет. Обзор 
методов обнаружения аномалий приведен в работе Chandola et al. (2009).
 

Синтез и выборка.
В задачах этого типа алгоритм машинного обучения дол-
жен генерировать новые примеры, похожие на обучающие данные. Синтез 
и выборка методами машинного обучения полезны в мультимедийных при-
ложениях, когда генерирование больших объемов данных вручную обходится 
дорого, скучно или занимает слишком много времени. Например, видеоигры 
умеют автоматически генерировать текстуры для больших объектов или ланд-
шафтов, не заставляя художника вручную помечать каждый пиксель (Luo et 
al., 2013). В некоторых случаях мы хотим, чтобы процедура выборки или син-
теза генерировала определенный выход по заданному входу. Например, в зада-
че синтеза речи программе передается написанная фраза, а она должна выдать 
аудиосигнал, содержащий ее же в произнесенном виде. Это разновидность 
структурного вывода с дополнительной особенностью: для заданного входа 
не существует единственно правильного выхода, мы специально допускаем 
большую вариативность выхода, чтобы речевой сигнал звучал естественно 
и реалистично.
 

Подстановка отсутствующих значений.
В этом случае алгоритму машин-
ного обучения предъявляется новый пример