เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโต้อินโค้ดเดอร์ที่อธิบายได้	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเอง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017-2019	2018–2020
ผู้ริเริ่ม	Combination of autoencoder anomaly detection (Hinton & Salakhutdinov, 2006) and XAI methods (e.g., Lundberg & Lee, 2017)	Golan & El-Yaniv; broader self-supervised anomaly detection community
ประเภท	Unsupervised anomaly detection with post-hoc or intrinsic explainability	Unsupervised / self-supervised deep learning
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.	Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31.
ชื่อเรียกอื่น	XAI autoencoder anomaly detection, interpretable autoencoder anomaly detection, explainable deep anomaly detection, SHAP-autoencoder anomaly detection	SSL Autoencoder anomaly detection, self-supervised reconstruction anomaly detection, pretext-task autoencoder anomaly detection, contrastive autoencoder anomaly detection
ที่เกี่ยวข้อง	6	6
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.	Self-supervised autoencoder anomaly detection trains an autoencoder using self-supervised pretext tasks — such as predicting geometric transformations or solving jigsaw puzzles — on unlabeled normal data, then flags as anomalous any input whose reconstruction error or pretext-task score deviates substantially from the learned normal distribution.