เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเอง	การเรียนรู้แบบกำกับดูแลตนเอง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2020	2018–2020
ผู้ริเริ่ม	Golan & El-Yaniv; broader self-supervised anomaly detection community	LeCun, Y. and community (formalized ~2018–2020)
ประเภท	Unsupervised / self-supervised deep learning	Representation learning paradigm
แหล่งต้นตำรับ	Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31.	LeCun, Y. & Misra, I. (2022). Self-supervised learning: The dark matter of intelligence. Meta AI Blog. https://ai.facebook.com/blog/self-supervised-learning-the-dark-matter-of-intelligence/
ชื่อเรียกอื่น	SSL Autoencoder anomaly detection, self-supervised reconstruction anomaly detection, pretext-task autoencoder anomaly detection, contrastive autoencoder anomaly detection	SSL, self-supervised pre-training, pretext-task learning, unsupervised representation learning
ที่เกี่ยวข้อง	6	3
สรุป	Self-supervised autoencoder anomaly detection trains an autoencoder using self-supervised pretext tasks — such as predicting geometric transformations or solving jigsaw puzzles — on unlabeled normal data, then flags as anomalous any input whose reconstruction error or pretext-task score deviates substantially from the learned normal distribution.	Self-supervised learning (SSL) is a machine-learning paradigm that generates its own supervisory signal directly from unlabeled data by defining an auxiliary pretext task — such as predicting masked words, rotating images, or contrasting augmented views — and uses the learned representations as a powerful starting point for downstream tasks with minimal labeled examples.