它有助于首先理解为什么异常值检测通常是一个难题，以及为什么其他方法难以解决。

就其本质而言，异常值很少见，我们拥有的大多数数据都严重不平衡。很可能您根本没有足够的“阳性案例”/异常值来训练模型。

自动编码器解决了这个问题，因为它们本身并不试图识别异常值。正如您所描述的，他们基本上学会了以高分辨率性能对输入进行下采样和上采样。但是，当输入与通常的输入有很大不同时，上采样可能会导致比平时更多的错误，这有助于我们识别异常值。

重建错误更高，因为自动编码器主要/几乎完全是在非异常数据上训练的，所以当他们遇到异常值时，他们也无法处理它。

想象一下，一个自动编码器经过训练，可以对橙色图片进行下采样，然后对其进行上采样。如果我们将苹果的图片输入这个自动编码器，它不会产生非常准确的结果，这有助于我们识别输入实际上是一个异常值。