เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบออนไลน์	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s–present	2018–2020
ผู้ริเริ่ม	Various (online/incremental deep learning community)	Ruff, L. et al.; Zong, B. et al.
ประเภท	Online unsupervised anomaly detection	Semi-supervised deep anomaly detection
แหล่งต้นตำรับ	An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2.	Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020).
ชื่อเรียกอื่น	incremental autoencoder anomaly detection, streaming autoencoder anomaly detection, online AE anomaly detection, continual autoencoder anomaly detection	Semi-supervised AE anomaly detection, SSAD autoencoder, semi-supervised reconstruction-error detection, partially labeled autoencoder anomaly detection
ที่เกี่ยวข้อง	5	5
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.	Semi-supervised Autoencoder Anomaly Detection trains a neural autoencoder primarily on normal (unlabeled) data, then uses a small set of labeled anomalies to refine decision boundaries, detecting anomalies as samples with high reconstruction error. It bridges the gap between purely unsupervised autoencoders and fully supervised classifiers when labels are scarce but some known anomalies exist.