เปรียบเทียบวิธี

	DBSCAN ที่เรียนรู้ด้วยตนเอง (Self-supervised DBSCAN)	การจัดกลุ่มแบบ K-means
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2021	1967 (formalized 1982)
ผู้ริเริ่ม	Ester et al. (DBSCAN base); pipeline pattern established in multiple works c. 2018–2021	MacQueen, J. B.; Lloyd, S. P.
ประเภท	Two-stage pipeline (self-supervised pre-training + density-based clustering)	Partitional clustering
แหล่งต้นตำรับ	Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press.	Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.
ชื่อเรียกอื่น	SSL-DBSCAN, self-supervised density clustering, contrastive DBSCAN, representation-based DBSCAN	k-means clustering, Lloyd's algorithm, k-means partitioning, hard k-means
ที่เกี่ยวข้อง	5	4
สรุป	Self-supervised DBSCAN is a two-stage unsupervised pipeline that first trains a neural encoder on a pretext task — such as contrastive learning or masked reconstruction — to produce compact, semantically meaningful embeddings from unlabeled data, and then applies DBSCAN in the resulting embedding space to discover arbitrarily shaped clusters without requiring any class labels.	K-means is a classic unsupervised partitional clustering algorithm that divides a dataset into K non-overlapping groups by iteratively assigning each observation to its nearest centroid and updating centroids as the mean of their assigned points. It is one of the most widely used exploratory tools in machine learning and data analysis.