เปรียบเทียบวิธี

	ปัจจัยค่าผิดปกติเฉพาะที่ (Local Outlier Factor: LOF)	ออโตเอ็นโค้ดเดอร์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	2006
ผู้ริเริ่ม	Breunig, M. M.; Kriegel, H.-P.; Ng, R. T.; Sander, J.	Hinton, G.E. & Salakhutdinov, R.R.
ประเภท	Density-based anomaly detection (unsupervised)	Neural network (encoder-decoder)
แหล่งต้นตำรับ	Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104.	Hinton, G.E. & Salakhutdinov, R.R. (2006). Reducing the Dimensionality of Data with Neural Networks. Science, 313(5786), 504–507.
ชื่อเรียกอื่น	LOF, local outlier factor, density-based outlier detection, local density deviation	Otokodlayıcı (Autoencoder), otokodlayıcı, auto-encoder, encoder-decoder network
ที่เกี่ยวข้อง	4	4
สรุป	Local Outlier Factor (LOF) is a density-based, unsupervised anomaly detection algorithm introduced by Breunig, Kriegel, Ng, and Sander in 2000. It assigns each data point a continuous outlier score that quantifies how isolated that point is relative to its local neighborhood, enabling detection of anomalies that global methods miss because they blend into dense clusters elsewhere in the space.	An autoencoder is an encoder-decoder neural network, popularised by Hinton and Salakhutdinov in 2006, that compresses data into a low-dimensional latent code and then reconstructs it, enabling dimensionality reduction and anomaly detection. By learning to rebuild its own input through a narrow bottleneck, it discovers a compact representation of the data.