เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโต้อินโค้ดเดอร์ที่อธิบายได้	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017-2019	2008
ผู้ริเริ่ม	Combination of autoencoder anomaly detection (Hinton & Salakhutdinov, 2006) and XAI methods (e.g., Lundberg & Lee, 2017)	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Unsupervised anomaly detection with post-hoc or intrinsic explainability	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	XAI autoencoder anomaly detection, interpretable autoencoder anomaly detection, explainable deep anomaly detection, SHAP-autoencoder anomaly detection	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	6	5
สรุป	Explainable Autoencoder Anomaly Detection augments a standard autoencoder-based anomaly detector with an interpretability layer — such as SHAP values or feature-wise reconstruction error decomposition — that identifies which input features drove the anomaly flag for each observation, turning an opaque reconstruction-error score into an actionable, human-readable explanation.	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.