เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอนโค้ดเดอร์แบบทนทาน	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2008
ผู้ริเริ่ม	Zhou, C. & Paffenroth, R. C.	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Unsupervised anomaly detection (robust deep learning)	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	Zhou, C., & Paffenroth, R. C. (2017). Anomaly detection with robust deep autoencoders. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 665–674). ACM.	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	Robust Deep Autoencoder, Robust AE Anomaly Detection, RDAE, Robust Reconstruction-Based Anomaly Detection	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	5	5
สรุป	Robust Autoencoder Anomaly Detection extends the standard autoencoder framework with robustness mechanisms — such as sparse decomposition, robust loss functions, or adversarial regularisation — so that the model learns a compact representation of normal behaviour while remaining resistant to the corrupting influence of anomalies embedded in the training data.	Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.