理論上の利点が実際のベンチマークとの接触で生き残れなかった。オートエンコーダの理論的根拠は明確です：正常データのみでネットワークを訓練すると、正常パターンをうまく再構築することを学習します。線形関係のみを捉えられるPCAとは異なり、オートエンコーダは非線形関係を学習できます — したがって、非線形構造に違反する異常を捉えるはずです。私は2つの実験を構築しました — 1つは簡単なケース、もう1つは意図的にオートエンコーダの最良のシナリオとして設計されたもの — そして理論上の利点が実際に現れるかどうかを測定しました。
設定：合成データ、正常サンプルのみで訓練、正常サンプルと異常サンプルの保留混合で評価。3つの手法を比較：オートエンコーダ（3次元ボトルネックのMLPRegressor）、PCA再構成誤差（3成分に削減）、Isolation Forest。実験1：ガウスクラスターからの正常データ、平均がシフトし分散が高い異常。PCAがオートエンコーダに匹敵または打ち勝った — 両方とも0.885 F1、すべての異常を捕捉（再現率=1.0）。Isolation Forestは0.870でした。
実験2：オートエンコーダに有利にテストを不正操作。線形手法に特に見えない異常を構築：2つの特徴が非線形関係（y = sin(3x) + ノイズ）に従う正常データ、および同じ個別範囲を維持するがそれらの間の関係に違反する異常。これはオートエンコーダにとって最良のシナリオに近いです。
主要エンティティ：企業：Towards Data Science
FAQ Q：なぜPCAは非線形異常検出テストでもオートエンコーダに匹敵したのですか？
FAQ A：実験1では、平均シフト異常は線形現象であるため、PCAに構造的な不利はありませんでした。実験2では、オートエンコーダが理論的に非線形関係で有利でしたが、再構成誤差の分離が依然として十分大きかったため、線形手法の精度はあまり重要ではありませんでした。
出典: Towards Data Science · 要約：HeadlinesBriefing