เปรียบเทียบวิธี

	Active Learning Isolation Forest	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2008–2019	2006–2014
ผู้ริเริ่ม	Das, S. et al. (active anomaly discovery framework); Liu, F. T. et al. (Isolation Forest base)	Hinton, G. E. & Salakhutdinov, R. R. (autoencoders); applied to anomaly detection through multiple authors in the 2010s
ประเภท	Active learning wrapper over isolation forest anomaly detector	Unsupervised deep learning (reconstruction-based)
แหล่งต้นตำรับ	Das, S., Wong, W. K., Fern, A., Dietterich, T. G., & Amran Siddiqui, M. (2019). Incorporating Expert Feedback into Active Anomaly Discovery. In Proceedings of the 2019 IEEE International Conference on Data Mining (ICDM), pp. 1009–1014.	Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.
ชื่อเรียกอื่น	AL-iForest, active anomaly detection with isolation forest, active isolation forest, query-guided isolation forest	AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection
ที่เกี่ยวข้อง	5	3
สรุป	Active Learning Isolation Forest combines the unsupervised anomaly-scoring power of Isolation Forest with an iterative query strategy that asks a human expert to label the most informative instances. The result is a detector that refines its anomaly boundaries using a minimal labeling budget, dramatically improving precision on rare and subtle anomalies compared to a purely unsupervised baseline.	Autoencoder anomaly detection trains a neural network to compress and then reconstruct normal data. Because the model has only ever learned what normal looks like, anomalous inputs produce noticeably higher reconstruction errors — and those errors become the anomaly score. The method requires no labeled anomalies and scales naturally to high-dimensional data such as sensor streams, images, and log records.