เปรียบเทียบวิธี

	Robust Isolation Forest	การตรวจจับความผิดปกติด้วยออโตเอนโค้ดเดอร์แบบทนทาน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2008–2019	2017
ผู้ริเริ่ม	Liu, F. T., Ting, K. M., Zhou, Z.-H. (base); robust extensions by multiple authors	Zhou, C. & Paffenroth, R. C.
ประเภท	Robust ensemble anomaly detection	Unsupervised anomaly detection (robust deep learning)
แหล่งต้นตำรับ	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.	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.
ชื่อเรียกอื่น	Robust iForest, noise-robust isolation forest, contamination-robust isolation forest, robust anomaly isolation	Robust Deep Autoencoder, Robust AE Anomaly Detection, RDAE, Robust Reconstruction-Based Anomaly Detection
ที่เกี่ยวข้อง	5	5
สรุป	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.	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.