---
title: "異常検知でAE（オートエンコーダ）を使う理由とは？【G検定頻出】"
description: "異常検知でAE（オートエンコーダ）を使う理由について、G検定で問われる特徴量・教師なし学習分野の観点から、特徴の捉え方、データの分布、教師なし学習で何を判断するかを整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/anomaly-detection-ae/"
section: "gk"
---

## まず結論
- **AE（オートエンコーダ）は「正常データだけで学習でき、再構成誤差で異常を検知できる」ため、異常検知に使われる。**
- G検定では「**なぜ分類器ではなくAEなのか**」が問われる。

## 直感的な説明
AEは、  
**「いつも見ている正常な形」を覚えるAI**です。

- 正常データ → きれいに復元できる  
- 異常データ → うまく復元できない  

👉 **復元の失敗度合い（ズレ）を見る**  
これが異常検知です。

「異常そのものを覚える」のではなく、  
**正常だけを覚える**のがポイントです。

## 定義・仕組み
AEによる異常検知の基本構造は以下です。

1. 正常データのみで学習
2. 入力データを圧縮（エンコード）
3. 元の形に復元（デコード）
4. **再構成誤差（復元誤差）** を計算
5. 誤差が大きければ「異常」と判断

重要：
- **教師なし学習**
- **異常ラベルが不要**
- 判定基準は「誤差の大きさ」

## いつ使う？（得意・不得意）
### 得意なケース
- 異常データがほとんど存在しない
- 異常の種類が未知
- 正常データは大量にある
- 設備監視・ログ監視・センサデータ

### 不得意・注意点
- 正常データに多様性がありすぎると精度低下
- 閾値（しきい値）設定が必要
- 異常の「種類分類」はできない

## G検定ひっかけポイント
G検定では、次の誤解を狙ってきます。

### よくある誤解
- ❌「異常検知は必ず教師あり学習」
- ❌「異常データを大量に集めて学習する」
- ❌「分類問題として解く」

### 正しい判断基準
- **異常データが少ない → AE**
- **正常だけ学習 → AE**
- **再構成誤差 → AE**

問題文に  
「異常データが少ない」「未知の異常」  
とあれば **AEが正解候補**。

## まとめ（試験直前用）
- AEは正常データだけで学習
- 異常は「復元できない」ことで検知
- 教師なし学習
- 再構成誤差が判断軸
- 異常検知＝AEは超頻出