O que é um autoencoder para deteção de anomalias e como calcular o erro de reconstrução?

Autoencoder — é uma rede neural que aprende a reconstruir os dados de entrada na saída através de uma representação interna comprimida (espaço latente). Para a deteção de anomalias, o autoencoder é treinado com dados normais para aprender a reconstruí-los de forma eficaz. Quando um exemplo anômalo é apresentado, a rede o reconstrói pior, o que se manifesta num erro de reconstrução elevado.

O erro de reconstrução é uma métrica que mede a diferença entre o sinal de entrada e o sinal reconstruído. Normalmente, usa-se o erro quadrático médio (MSE):

import numpy as np

# x - dados de entrada
# x_reconstructed - saída do autoencoder
reconstruction_error = np.mean((x - x_reconstructed) ** 2)

Se o erro de reconstrução exceder um limiar definido, o objeto é considerado uma anomalia.