Qu'est-ce qu'un autoencodeur pour la détection d'anomalies et comment calculer l'erreur de reconstruction?

Un autoencodeur est un réseau de neurones qui apprend à reconstruire les données d'entrée en sortie via une représentation interne comprimée (espace latent). Pour la détection d'anomalies, l'autoencodeur est entraîné sur des données normales afin d'apprendre à les reconstruire efficacement. Lorsqu'un exemple anormal est présenté, le réseau le reconstruit moins bien, ce qui se manifeste par une erreur de reconstruction élevée.

L'erreur de reconstruction est une métrique qui mesure la différence entre le signal d'entrée et le signal reconstruit. On utilise généralement l'erreur quadratique moyenne (MSE) :

import numpy as np

# x - données d'entrée
# x_reconstructed - sortie de l'autoencodeur
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Si l'erreur de reconstruction dépasse un seuil donné, l'objet est considéré comme une anomalie.