オートエンコーダは、入力されたデータを圧縮し、その圧縮された表現から元のデータを再構築することを目的としたニューラルネットワークの一種です。このモデルは、入力層、中間層（ボトルネック層）、出力層の3つの主要な部分から構成されます。

入力データを低次元の表現に変換する部分をエンコーダと呼びます。

このエンコーダは、情報の重要な特徴のみを抽出するように学習します。エンコードされたデータは、ボトルネック層を通過することで、データの潜在的な構造や本質的な特徴を捉えた、よりコンパクトな表現となります。

次に、デコーダーが、このボトルネック層の出力から元の入力データを再構築する役割を担います。

デコーダーは、圧縮された情報から元のデータの詳細を復元するように訓練されます。モデル全体の訓練プロセスは、入力データと出力データとの間の差異、つまり「再構築誤差」を最小化することを目指します。

この訓練を通じて、オートエンコーダはデータの非線形な次元削減を効果的に行い、異常検知、特徴抽出、ノイズ除去など多岐にわたる応用が可能となります。

例えば、ノイズの多い画像を入力として与え、ノイズのない画像を再構築するように訓練することで、強力なノイズ除去フィルターとして機能します。

また、正常なデータで訓練されたモデルは、再構築誤差が大きい入力データを異常として識別できるため、異常検知にも利用されます。この自己教師あり学習の性質が、ラベル付けされていないデータから有用な情報を引き出す上で非常に強力なツールとなります。