Порівняння методів

	Виявлення аномалій за допомогою автокодувальника з активним навчанням	Виявлення аномалій за допомогою ансамблю автокодувальників
Галузь	Машинне навчання	Машинне навчання
Родина	Machine learning	Machine learning
Рік появи	2014–2018	2017
Автор методу	Multiple (Guo et al.; Pimentel et al.)	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D.
Тип	Active learning + unsupervised deep anomaly detection hybrid	Ensemble unsupervised anomaly detection
Основоположне джерело	Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249.	Chen, J., Sathe, S., Aggarwal, C., & Turaga, D. (2017). Outlier Detection with Autoencoder Ensembles. In Proceedings of the 2017 SIAM International Conference on Data Mining (SDM), pp. 90–98. SIAM.
Інші назви	AL-Autoencoder anomaly detection, active autoencoder anomaly detection, query-guided autoencoder anomaly detection, active deep anomaly detection	ensemble AE anomaly detection, autoencoder ensemble outlier detection, multi-autoencoder anomaly scoring, AE ensemble unsupervised anomaly detection
Пов'язані	6	5
Підсумок	Active Learning Autoencoder Anomaly Detection combines an autoencoder's unsupervised reconstruction-error scoring with an active learning query loop. The model flags high-error instances as candidate anomalies, selectively asks a human oracle to label the most informative ones, and iteratively retrains — achieving strong anomaly detection with only a small labeling budget.	Ensemble Autoencoder Anomaly Detection trains multiple autoencoder neural networks on normal-class data and aggregates their reconstruction errors to produce a robust anomaly score. By combining diverse autoencoders rather than relying on one, the method stabilises outlier rankings and reduces sensitivity to random initialisation or suboptimal architecture choices.