เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยเอนเซมเบิลออโตเอนโค้ดเดอร์	One-class SVM
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	1999–2001
ผู้ริเริ่ม	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D.	Scholkopf, B., Platt, J. C., Smola, A. J., Williamson, R. C.
ประเภท	Ensemble unsupervised anomaly detection	Anomaly / novelty detection (unsupervised)
แหล่งต้นตำรับ	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM.	Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443–1471.
ชื่อเรียกอื่น	ensemble AE anomaly detection, autoencoder ensemble outlier detection, multi-autoencoder anomaly scoring, AE ensemble unsupervised anomaly detection	OCSVM, one-class support vector machine, novelty SVM, unsupervised SVM
ที่เกี่ยวข้อง	5	3
สรุป	Ensemble Autoencoder Anomaly Detection trains multiple autoencoder neural networks on normal-class data and aggregates their reconstruction errors to produce a robust anomaly score. By combining diverse autoencoders rather than relying on one, the method stabilises outlier rankings and reduces sensitivity to random initialisation or suboptimal architecture choices.	One-class SVM is an unsupervised anomaly and novelty detection algorithm that learns a tight boundary around normal training data in a kernel-induced feature space, flagging new observations that fall outside that boundary as outliers. Introduced by Scholkopf et al. in 1999–2001, it extends the SVM framework to the single-class setting where no labelled anomalies are available.