Τι είναι ένα autoencoder για ανίχνευση ανωμαλιών και πώς υπολογίζεται το σφάλμα ανακατασκευής;

Autoencoder — είναι ένα νευρωνικό δίκτυο που εκπαιδεύεται να ανακατασκευάζει τα εισερχόμενα δεδομένα στην έξοδο μέσω μιας συμπιεσμένης εσωτερικής αναπαράστασης (χωρος λανθάνοντος). Για την ανίχνευση ανωμαλιών, το autoencoder εκπαιδεύεται σε κανονικά δεδομένα για να μάθει να τα ανακατασκευάζει αποτελεσματικά. Όταν παρουσιαστεί ένα ανώμαλο παράδειγμα, το δίκτυο το ανακατασκευάζει χειρότερα, κάτι που εκδηλώνεται σε υψηλό σφάλμα ανακατασκευής.

Το σφάλμα ανακατασκευής είναι μια μετρική που μετρά τη διαφορά μεταξύ του εισερχόμενου σήματος και του ανακατασκευασμένου. Συνήθως χρησιμοποιείται το μέσο τετράγωνο σφάλμα (MSE):

import numpy as np

# x - εισερχόμενα δεδομένα
# x_reconstructed - έξοδος του autoencoder
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Εάν το σφάλμα ανακατασκευής υπερβαίνει ένα καθορισμένο όριο, το αντικείμενο θεωρείται ανωμαλία.