เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบออนไลน์	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s–present	2006–2014
ผู้ริเริ่ม	Various (online/incremental deep learning community)	Hinton, G. E. & Salakhutdinov, R. R. (autoencoders); applied to anomaly detection through multiple authors in the 2010s
ประเภท	Online unsupervised anomaly detection	Unsupervised deep learning (reconstruction-based)
แหล่งต้นตำรับ	An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2.	Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.
ชื่อเรียกอื่น	incremental autoencoder anomaly detection, streaming autoencoder anomaly detection, online AE anomaly detection, continual autoencoder anomaly detection	AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection
ที่เกี่ยวข้อง	5	3
สรุป	Online Autoencoder Anomaly Detection trains an autoencoder incrementally on a continuous data stream, flagging observations whose reconstruction error exceeds an adaptive threshold as anomalies. This approach combines the representational power of deep autoencoders with the incremental update capability of online learning, making it suitable for real-time or high-volume streaming scenarios where batch retraining is impractical.	Autoencoder anomaly detection trains a neural network to compress and then reconstruct normal data. Because the model has only ever learned what normal looks like, anomalous inputs produce noticeably higher reconstruction errors — and those errors become the anomaly score. The method requires no labeled anomalies and scales naturally to high-dimensional data such as sensor streams, images, and log records.