¿Qué es un autoencoder para detección de anomalías y cómo se calcula el error de reconstrucción?

Autoencoder — es una red neuronal que se entrena para reconstruir los datos de entrada en la salida a través de una representación interna comprimida (espacio latente). Para la detección de anomalías, el autoencoder se entrena con datos normales para aprender a reconstruirlos eficazmente. Cuando se presenta un ejemplo anómalo, la red lo reconstruye peor, lo que se refleja en un valor alto de error de reconstrucción.

El error de reconstrucción es una métrica que mide la diferencia entre la señal de entrada y la reconstruida. Normalmente se usa el error cuadrático medio (MSE):

import numpy as np

# x - datos de entrada
# x_reconstructed - salida del autoencoder
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Si el error de reconstrucción supera un umbral establecido, el objeto se considera una anomalía.