เปรียบเทียบวิธี

	Semi-supervised One-class SVM	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2001–2004	2006–2014
ผู้ริเริ่ม	Extension of Scholkopf et al. (2001); semi-supervised variants studied ca. 2004–2010	Hinton, G. E. & Salakhutdinov, R. R. (autoencoders); applied to anomaly detection through multiple authors in the 2010s
ประเภท	Semi-supervised anomaly / novelty detection	Unsupervised deep learning (reconstruction-based)
แหล่งต้นตำรับ	Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956.	Chalapathy, R. & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407.
ชื่อเรียกอื่น	SS-OCSVM, semi-supervised OC-SVM, semi-supervised novelty detection SVM, transductive one-class SVM	AE anomaly detection, reconstruction-error anomaly detection, deep autoencoder outlier detection, unsupervised autoencoder anomaly detection
ที่เกี่ยวข้อง	5	3
สรุป	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.	Autoencoder anomaly detection trains a neural network to compress and then reconstruct normal data. Because the model has only ever learned what normal looks like, anomalous inputs produce noticeably higher reconstruction errors — and those errors become the anomaly score. The method requires no labeled anomalies and scales naturally to high-dimensional data such as sensor streams, images, and log records.