เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอนโค้ดเดอร์แบบทนทาน	Robust Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2008–2019
ผู้ริเริ่ม	Zhou, C. & Paffenroth, R. C.	Liu, F. T., Ting, K. M., Zhou, Z.-H. (base); robust extensions by multiple authors
ประเภท	Unsupervised anomaly detection (robust deep learning)	Robust ensemble anomaly detection
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. In Proceedings of the IEEE International Conference on Data Mining (ICDM), pp. 413–422. IEEE.
ชื่อเรียกอื่น	Robust Deep Autoencoder, Robust AE Anomaly Detection, RDAE, Robust Reconstruction-Based Anomaly Detection	Robust iForest, noise-robust isolation forest, contamination-robust isolation forest, robust anomaly isolation
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.	Robust Isolation Forest extends the classic Isolation Forest anomaly detector with strategies that reduce sensitivity to data contamination, masking effects, and biased random splits. By incorporating robustness mechanisms — such as improved subsampling, re-weighting of suspicious regions, or bias-corrected splitting — it achieves more reliable anomaly scores when the training data itself contains a non-trivial fraction of anomalies or when specific feature distributions cause standard iForest to produce unreliable path lengths.