เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกึ่งมีผู้สอน	Semi-supervised One-class SVM
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2020	2001–2004
ผู้ริเริ่ม	Ruff, L. et al.; Zong, B. et al.	Extension of Scholkopf et al. (2001); semi-supervised variants studied ca. 2004–2010
ประเภท	Semi-supervised deep anomaly detection	Semi-supervised anomaly / novelty detection
แหล่งต้นตำรับ	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).	Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956.
ชื่อเรียกอื่น	Semi-supervised AE anomaly detection, SSAD autoencoder, semi-supervised reconstruction-error detection, partially labeled autoencoder anomaly detection	SS-OCSVM, semi-supervised OC-SVM, semi-supervised novelty detection SVM, transductive one-class SVM
ที่เกี่ยวข้อง	5	5
สรุป	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.	Semi-supervised One-class SVM extends the classic One-class SVM anomaly detector by incorporating unlabeled observations alongside a small set of known normal examples. The unlabeled data helps the model learn a tighter, more informative decision boundary in feature space, reducing false positives and improving anomaly recall compared to the purely unsupervised baseline.