Detección de anomalías con autoencoder

La detección de anomalías con autoencoder entrena una red neuronal para comprimir y luego reconstruir datos normales. Dado que el modelo solo ha aprendido cómo se ven los datos normales, las entradas anómalas producen errores de reconstrucción notablemente más altos — y esos errores se convierten en la puntuación de anomalía. El método no requiere anomalías etiquetadas y se escala de forma natural a datos de alta dimensionalidad como flujos de sensores, imágenes y registros de logs.