เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006–2014	2014
ผู้ริเริ่ม	Hinton, G. E. & Salakhutdinov, R. R. (autoencoders); applied to anomaly detection through multiple authors in the 2010s	Kingma, D. P. & Welling, M.
ประเภท	Unsupervised deep learning (reconstruction-based)	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	3	5
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.	The Variational Autoencoder (VAE) is a deep generative latent-variable model, introduced by Diederik Kingma and Max Welling in 2014, that encodes data as a probability distribution in a latent space and samples from that distribution to generate new examples. It is used for data generation, anomaly detection, and feature learning.