เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วย Bayesian Autoencoder	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014–2015	2008
ผู้ริเริ่ม	Kingma, D. P. & Welling, M.; applied to anomaly detection by An & Cho	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Probabilistic generative model for unsupervised anomaly detection	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014).	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	Bayesian VAE anomaly detection, probabilistic autoencoder anomaly detection, variational autoencoder anomaly detection, VAE-based outlier detection	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	5	5
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.	Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.