Wat is een autoencoder voor anomaly detection en hoe bereken je de reconstructiefout?

Autoencoder — is een neuraal netwerk dat getraind wordt om de invoergegevens te herstellen op de uitgang via een gecomprimeerde interne representatie (latente ruimte). Voor het detecteren van anomalieën wordt de autoencoder getraind op normale gegevens om ze effectief te kunnen reconstrueren. Wanneer een afwijkend voorbeeld wordt gepresenteerd, reconstrueert het netwerk deze slechter, wat zich uit in een hoge reconstructiefout.

Reconstructiefout is een metriek die het verschil meet tussen het ingangssignaal en het gereconstrueerde signaal. Meestal wordt de gemiddelde kwadratische fout (MSE) gebruikt:

import numpy as np

# x - invoergegevens
# x_reconstructed - output van de autoencoder
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Als de reconstructiefout een bepaalde drempel overschrijdt, wordt het object als een anomalie beschouwd.