オートエンコーダとは？次元削減・異常検知への応用

オートエンコーダは入力データをそのまま再現するように学習するニューラルネットワークです。入力と出力が同じという一見無意味な学習に思えますが、中間層をボトルネック（入力より小さい次元）にすることで、データの本質的な特徴を圧縮して学習します。

その通りです。Encoder（符号化器）が入力を低次元の表現に圧縮し、Decoder（復号化器）がその低次元表現から元のデータを復元します。この低次元表現を「潜在表現（Latent Representation）」と呼び、データの本質的な情報が詰まっています。

主要なものをいくつか紹介します。Denoising Autoencoderはノイズ付きの入力からクリーンなデータを復元するよう学習し、ロバストな特徴を獲得します。Sparse Autoencoderは中間層の活性化にスパース制約を加えて、より意味のある特徴を学習します。そしてVAE（変分オートエンコーダ）は潜在空間に確率分布を仮定し、新しいデータの生成も可能です。

はい。VAEは潜在空間からサンプリングして新しいデータを生成できます。Stable Diffusionのアーキテクチャにも潜在空間の圧縮・展開にVAEが使われています。ただし単体でのVAEはGANや拡散モデルほど高品質な画像は生成できません。

オートエンコーダを正常データだけで学習させると、正常データはうまく再現できるけれど異常データは再現できなくなります。つまり再構成誤差が大きいデータ＝異常と判定できるのです。ラベル付きの異常データが少ない場合に特に有効です。

製造業の製品の外観検査、ネットワークの不正アクセス検知、クレジットカードの不正取引検出、医療の異常画像検出などです。正常データは大量にあるが異常データが少ないという、実務でよくある状況に最適です。