เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์	ปัจจัยค่าผิดปกติเฉพาะที่ (Local Outlier Factor: LOF)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006–2014	2000
ผู้ริเริ่ม	Hinton, G. E. & Salakhutdinov, R. R. (autoencoders); applied to anomaly detection through multiple authors in the 2010s	Breunig, M. M.; Kriegel, H.-P.; Ng, R. T.; Sander, J.
ประเภท	Unsupervised deep learning (reconstruction-based)	Density-based anomaly detection (unsupervised)
แหล่งต้นตำรับ	Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.	Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104.
ชื่อเรียกอื่น	AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection	LOF, local outlier factor, density-based outlier detection, local density deviation
ที่เกี่ยวข้อง	3	4
สรุป	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.	Local Outlier Factor (LOF) is a density-based, unsupervised anomaly detection algorithm introduced by Breunig, Kriegel, Ng, and Sander in 2000. It assigns each data point a continuous outlier score that quantifies how isolated that point is relative to its local neighborhood, enabling detection of anomalies that global methods miss because they blend into dense clusters elsewhere in the space.