เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วย Bayesian Autoencoder	แบบจำลองส่วนผสมแบบเกาส์เซียนแบบเบย์ (Bayesian Gaussian Mixture Model)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014–2015	1999–2006
ผู้ริเริ่ม	Kingma, D. P. & Welling, M.; applied to anomaly detection by An & Cho	Attias, H.; Bishop, C. M.
ประเภท	Probabilistic generative model for unsupervised anomaly detection	Probabilistic clustering / density estimation
แหล่งต้นตำรับ	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014).	Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 10). Springer. ISBN: 978-0-387-31073-2
ชื่อเรียกอื่น	Bayesian VAE anomaly detection, probabilistic autoencoder anomaly detection, variational autoencoder anomaly detection, VAE-based outlier detection	Bayesian GMM, Variational Gaussian Mixture, VBGMM, Dirichlet Process Gaussian Mixture
ที่เกี่ยวข้อง	5	4
สรุป	Bayesian Autoencoder Anomaly Detection uses a Variational Autoencoder — a probabilistic generative model trained on normal data — to flag anomalies by their high reconstruction error or low likelihood under the learned distribution. By treating the latent space as a probability distribution rather than a fixed point, it delivers principled uncertainty estimates alongside each anomaly score, making it especially valuable in high-stakes detection tasks.	The Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fitting fixed point estimates. This yields principled uncertainty quantification, automatic selection of the effective number of components, and resistance to overfitting small datasets.