เปรียบเทียบวิธี

	การเรียนรู้เชิงรุกร่วมกับออโตเอ็นโค้ดเดอร์สำหรับการตรวจจับความผิดปกติ	การตรวจจับความผิดปกติด้วยเอนเซมเบิลออโตเอนโค้ดเดอร์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014–2018	2017
ผู้ริเริ่ม	Multiple (Guo et al.; Pimentel et al.)	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D.
ประเภท	Active learning + unsupervised deep anomaly detection hybrid	Ensemble unsupervised anomaly detection
แหล่งต้นตำรับ	Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249.	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM.
ชื่อเรียกอื่น	AL-Autoencoder anomaly detection, active autoencoder anomaly detection, query-guided autoencoder anomaly detection, active deep anomaly detection	ensemble AE anomaly detection, autoencoder ensemble outlier detection, multi-autoencoder anomaly scoring, AE ensemble unsupervised anomaly detection
ที่เกี่ยวข้อง	6	5
สรุป	Active Learning Autoencoder Anomaly Detection combines an autoencoder's unsupervised reconstruction-error scoring with an active learning query loop. The model flags high-error instances as candidate anomalies, selectively asks a human oracle to label the most informative ones, and iteratively retrains — achieving strong anomaly detection with only a small labeling budget.	Ensemble Autoencoder Anomaly Detection trains multiple autoencoder neural networks on normal-class data and aggregates their reconstruction errors to produce a robust anomaly score. By combining diverse autoencoders rather than relying on one, the method stabilises outlier rankings and reduces sensitivity to random initialisation or suboptimal architecture choices.