两种类型的网络都尝试在通过某种压缩/解压缩机制输入输入后重建输入。对于异常值检测，测量输入和输出之间的重构误差 - 异常值预计具有更高的重构误差。

主要区别似乎是输入的压缩方式：

普通的自动编码器通过一个隐藏层压缩输入，该隐藏层的神经元比输入/输出层少。这样网络必须学习数据的压缩表示。

复制器神经网络通过使用类似楼梯的激活函数的隐藏层压缩数据。阶梯状的激活函数通过将数据分配给一定数量的簇（取决于神经元的数量和步数）来使网络压缩数据。

来自Replicator Neural Networks for Outlier Modeling in Segmental Speech Recognition：

RNN 最初是在数据压缩领域引入的 [5]。霍金斯等人。提出它用于异常值建模[4]。在这两篇论文中，都建议使用 5 层结构，在中间层有一个线性输出层和一个特殊的类似楼梯的激活函数（见图 2）。该激活函数的作用是将中间隐藏层输出的向量量化为网格点，从而将数据点排列成多个簇。