เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเอง	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2020	2018–2020
ผู้ริเริ่ม	Golan & El-Yaniv; broader self-supervised anomaly detection community	Ruff, L. et al.; Zong, B. et al.
ประเภท	Unsupervised / self-supervised deep learning	Semi-supervised deep anomaly detection
แหล่งต้นตำรับ	Golan, I. & El-Yaniv, R. (2018). Deep one-class classification via geometric transformations. Advances in Neural Information Processing Systems (NeurIPS), 31.	Ruff, L., Vandermeulen, R. A., Franks, B. J., Müller, K.-R., & Kloft, M. (2020). Deep Semi-Supervised Anomaly Detection. In International Conference on Learning Representations (ICLR 2020).
ชื่อเรียกอื่น	SSL Autoencoder anomaly detection, self-supervised reconstruction anomaly detection, pretext-task autoencoder anomaly detection, contrastive autoencoder anomaly detection	Semi-supervised AE anomaly detection, SSAD autoencoder, semi-supervised reconstruction-error detection, partially labeled autoencoder anomaly detection
ที่เกี่ยวข้อง	6	5
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.	Semi-supervised Autoencoder Anomaly Detection trains a neural autoencoder primarily on normal (unlabeled) data, then uses a small set of labeled anomalies to refine decision boundaries, detecting anomalies as samples with high reconstruction error. It bridges the gap between purely unsupervised autoencoders and fully supervised classifiers when labels are scarce but some known anomalies exist.