重建誤差 是什麼？
Reconstruction Error：重建誤差 的完整解釋
自動編碼器等生成模型將輸入資料壓縮後再還原，還原結果與原始輸入之間的差異量。
重建誤差（Reconstruction Error）是理解自動編碼器族群模型行為的關鍵概念，也是無監督異常偵測中最常使用的信號之一。要理解重建誤差，必須先掌握自動編碼器的基本架構與運作邏輯。
自動編碼器由兩個子網路組成：編碼器（Encoder）將高維輸入資料壓縮到低維的潛在空間（latent space），生成潛在表示（latent representation）或稱「編碼」（code）；解碼器（Decoder）則將潛在表示還原回原始維度，生成重建輸出（reconstructed output）。訓練目標是最小化原始輸入與重建輸出之間的差距，這個差距就是重建誤差。
重建誤差的常見計算方式取決於資料類型。對於連續型資料（如圖片的像素值、音訊的振幅），通常使用均方誤差（Mean Squared Error，MSE）：MSE = (1/n) × Σ(x_i - x̂_i)²，其中 x 是原始輸入，x̂ 是重建輸出，n 是維度數量。對於二元資料（如黑白像素或 0/1 特徵），常使用二元交叉熵（Binary Cross-Entropy）：BCE = -Σ[x_i × log(x̂_i) + (1-x_i) × log(1-x̂_i)]。
重建誤差在訓練過程中的角色是損失函數（loss function）的核心。通過反向傳播，模型不斷調整編碼器與解碼器的參數，使重建誤差最小化。訓練完成後，模型在見過的資料類型（訓練分布）上應有較低的重建誤差；對於分布外（out-of-distribution）的資料，則傾向有較高的重建誤差。
異常偵測是重建誤差最重要的應用場景之一。基本假設是：如果只用正常樣本訓練自動編碼器，模型會學習有效重建正常樣本；當輸入一個異常樣本時，模型的潛在空間表示無法很好地捕捉異常的特徵，解碼後的重建輸出與原始異常輸入差距較大，即重建誤差較高。因此可以設定一個閾值，重建誤差超過閾值的樣本被標記為異常。
這種方法的優勢在於不需要異常樣本的標注（無監督學習），只需正常樣本即可訓練。實際應用包含：工業製程中的設備異常偵測（感測器時間序列資料）、網路安全中的異常流量偵測、金融詐欺交易偵測、以及醫療影像中的病灶偵測。
然而，以重建誤差為基礎的異常偵測有其局限性。首先，閾值的設定往往需要人工介入或依賴驗證集。其次，自動編碼器有時能夠「意外地」重建某些類型的異常樣本，特別是當異常樣本的特徵在某些維度上與正常樣本重疊時。此外，如果模型容量（參數量）過大，可能導致過擬合，模型記住了訓練樣本本身而非學習有效的壓縮表示，此時正常樣本與異常樣本的重建誤差差距可能不明顯。
與主成分分析（PCA）的比較也有助於理解重建誤差的本質。PCA 是一種線性降維方法，同樣可以計算重建誤差（原始資料在保留主成分上的投影與原始資料之間的差距）。自動編碼器可以視為 PCA 的非線性推廣，通過非線性激活函數，能夠學習更複雜的資料流形，捕捉 PCA 難以表示的非線性結構，但也更難訓練和解釋。
變分自動編碼器（Variational Autoencoder，VAE）在重建誤差的基礎上增加了 KL 散度（Kullback-Leibler Divergence）正則化項，確保潛在空間的分布接近標準常態分布，從而使得模型能夠從潛在空間中隨機採樣生成新樣本，而不只是重建輸入。VAE 的損失函數 = 重建誤差 + KL 散度，兩者之間的平衡係數是重要的超參數。
在 iPAS AI 應用規劃師考試中，重建誤差相關考題通常圍繞自動編碼器的訓練原理、異常偵測的應用邏輯、以及與監督式分類方法的適用場景比較。考生應能說明為何重建誤差高的樣本傾向被判定為異常，以及此方法的假設前提與限制。