เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบออนไลน์	One-class SVM
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s–present	1999–2001
ผู้ริเริ่ม	Various (online/incremental deep learning community)	Scholkopf, B., Platt, J. C., Smola, A. J., Williamson, R. C.
ประเภท	Online unsupervised anomaly detection	Anomaly / novelty detection (unsupervised)
แหล่งต้นตำรับ	An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2.	Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443–1471.
ชื่อเรียกอื่น	incremental autoencoder anomaly detection, streaming autoencoder anomaly detection, online AE anomaly detection, continual autoencoder anomaly detection	OCSVM, one-class support vector machine, novelty SVM, unsupervised SVM
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.	One-class SVM is an unsupervised anomaly and novelty detection algorithm that learns a tight boundary around normal training data in a kernel-induced feature space, flagging new observations that fall outside that boundary as outliers. Introduced by Scholkopf et al. in 1999–2001, it extends the SVM framework to the single-class setting where no labelled anomalies are available.