เปรียบเทียบวิธี

	DBSCAN แบบออนไลน์	การเรียนรู้แบบออนไลน์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1998	1958–2000s
ผู้ริเริ่ม	Ester, M., Kriegel, H.-P., Sander, J., Wimmer, M., & Xu, X.	Rosenblatt, F.; Littlestone, N.; Shalev-Shwartz, S. (key contributors)
ประเภท	Incremental density-based clustering	Learning paradigm (sequential model update)
แหล่งต้นตำรับ	Ester, M., Kriegel, H.-P., Sander, J., Wimmer, M., & Xu, X. (1998). Incremental Clustering for Mining in a Data Warehousing Environment. In Proceedings of the 24th International Conference on Very Large Data Bases (VLDB), pp. 323–333.	Shalev-Shwartz, S. (2011). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194.
ชื่อเรียกอื่น	Incremental DBSCAN, Streaming DBSCAN, Online density-based clustering, iDBSCAN	incremental learning, sequential learning, streaming learning, online machine learning
ที่เกี่ยวข้อง	5	6
สรุป	Online DBSCAN extends the classic density-based clustering algorithm to handle continuously arriving data points without re-clustering the entire dataset from scratch. Each new observation is integrated into the existing cluster structure by local neighborhood queries, making it practical for streaming and data-warehousing scenarios where data grows incrementally.	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.