เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยเอนเซมเบิลออโตเอนโค้ดเดอร์	การรวมแบบลงคะแนน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	1990s–2004
ผู้ริเริ่ม	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D.	Lam & Suen; Kuncheva, L. I. (systematic treatment)
ประเภท	Ensemble unsupervised anomaly detection	Ensemble (combination of multiple classifiers by vote)
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.	Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
ชื่อเรียกอื่น	ensemble AE anomaly detection, autoencoder ensemble outlier detection, multi-autoencoder anomaly scoring, AE ensemble unsupervised anomaly detection	majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
ที่เกี่ยวข้อง	5	5
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.	A voting ensemble trains several diverse classifiers independently and combines their predictions by a vote: hard voting picks the class chosen by the most models, while soft voting averages their class-probability estimates, optionally with per-model weights. The combination usually outperforms any individual member, and requires no additional training after the base models are fitted.