Cos'è un autoencoder per il rilevamento di anomalie e come si calcola l'errore di ricostruzione?

L'autoencoder è una rete neurale che si addestra a ricostruire i dati di input in output attraverso una rappresentazione interna compressa (spazio latente). Per il rilevamento di anomalie, l'autoencoder viene addestrato su dati normali per imparare a ricostruirli efficacemente. Quando viene presentato un esempio anomalo, la rete lo ricostruisce in modo meno preciso, manifestandosi in un alto errore di ricostruzione.

L'errore di ricostruzione è una metrica che misura la differenza tra il segnale di input e quello ricostruito. Si utilizza comunemente l'errore quadratico medio (MSE):

import numpy as np

# x - dati di input
# x_reconstructed - output dell'autoencoder
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Se l'errore di ricostruzione supera una soglia stabilita, l'oggetto viene considerato un'anomalia.