เปรียบเทียบวิธี

	Self-supervised One-class SVM	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	2008
ผู้ริเริ่ม	Golan & El-Yaniv; Ruff et al.	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Self-supervised anomaly/novelty detection	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	Golan, I. & El-Yaniv, R. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80, 1747–1756.	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	SS-OCSVM, Self-supervised SVDD, Self-supervised novelty detection, Pretext-task OC-SVM	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	6	5
สรุป	Self-supervised One-class SVM combines pretext-task-based representation learning with One-class SVM to detect anomalies and novelties without requiring labeled anomaly examples. The model first learns expressive feature embeddings from normal data alone, then fits an OC-SVM boundary in the learned feature space to flag out-of-distribution samples.	Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.