เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบออนไลน์	การเรียนรู้แบบออนไลน์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s–present	1958–2000s
ผู้ริเริ่ม	Various (online/incremental deep learning community)	Rosenblatt, F.; Littlestone, N.; Shalev-Shwartz, S. (key contributors)
ประเภท	Online unsupervised anomaly detection	Learning paradigm (sequential model update)
แหล่งต้นตำรับ	An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2.	Shalev-Shwartz, S. (2011). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194.
ชื่อเรียกอื่น	incremental autoencoder anomaly detection, streaming autoencoder anomaly detection, online AE anomaly detection, continual autoencoder anomaly detection	incremental learning, sequential learning, streaming learning, online machine learning
ที่เกี่ยวข้อง	5	6
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.	Online learning is a machine learning paradigm in which a model is updated incrementally as each new data point arrives, rather than being trained once on a fixed dataset. It is essential when data streams continuously, storage is limited, or the underlying distribution shifts over time. Theoretical performance is measured by cumulative regret relative to the best fixed predictor in hindsight.