---
title: "重建誤差（Reconstruction Error）"
slug: reconstruction-error
language: zh-TW
source: https://aiterms.tw/terms/reconstruction-error
updated_at: 2026-06-22
tags: [自動編碼器, 異常偵測, VAE, 無監督學習, 降維]
ipas_term: false
---

# 重建誤差（Reconstruction Error）

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。

## 完整說明

重建誤差（Reconstruction Error）是自動編碼器（Autoencoder）、變分自動編碼器（VAE）、主成分分析（PCA）等降維與生成模型的核心評估指標，衡量模型將輸入資料編碼到低維潛在空間（latent space）後，再解碼還原為原始維度時，重建結果與原始輸入之間的差距。常見計算方式為均方誤差（MSE）或交叉熵（Cross-Entropy）。重建誤差在異常偵測中有重要應用：正常樣本通常有較低的重建誤差，而異常樣本因其分布與訓練資料不同，往往有較高的重建誤差。

## 常見問題

### 為什麼重建誤差可以用來偵測異常？這個假設在什麼情況下會失效？

這個方法的核心假設是：模型只在正常樣本上訓練，因此只學會了重建正常資料的模式；當遇到分布外的異常樣本時，模型無法有效還原，導致重建誤差升高。假設在以下情況下可能失效：第一，如果模型容量過大（深層網路、過多參數），可能過擬合並「記住」訓練樣本，此時模型也可能對某些特徵的異常樣本有低重建誤差；第二，如果異常樣本在某些維度上與正常樣本非常相似，但差異只集中在少數維度，而重建誤差是全維度平均，可能被稀釋；第三，某些異常樣本的特徵恰好與正常樣本的潛在表示空間重疊，模型可能意外地將其映射到有效的重建路徑。因此在實際應用中，重建誤差通常需要搭配其他特徵（如潛在空間的密度估計）才能達到更穩健的異常偵測效果。

### 重建誤差用 MSE 還是交叉熵比較好？

選擇取決於資料的性質與分布假設。均方誤差（MSE）假設重建誤差服從高斯分布，適合連續型且值域不受限的資料，如工業感測器讀數、股價時間序列、或標準化後的特徵向量；它對大偏差的懲罰更重（平方項），對異常值敏感。二元交叉熵（BCE）適合值域在 0-1 之間的二元或機率型資料，如黑白圖片的像素值或 sigmoid 輸出；它在概率意義上對應伯努利分布假設。對於彩色圖片（像素值在 0-255 範圍），常見做法是先將像素值正規化到 0-1 後使用 BCE，或使用 MSE 但接受其隱含的高斯假設。在實務中建議兩者都試驗，並透過驗證集上的異常偵測性能（如 AUC-ROC）決定哪種更適合。

### 重建誤差和損失函數是同一件事嗎？

在基本自動編碼器中，訓練的損失函數就是重建誤差，兩者等同。但在更複雜的模型中，損失函數可能包含重建誤差以外的額外項。例如在變分自動編碼器（VAE）中，損失函數 = 重建誤差 + KL 散度，KL 散度是正則化項，用於約束潛在空間的分布形狀；在去噪自動編碼器（Denoising Autoencoder）中，重建誤差計算的是對加入噪聲的輸入的重建結果與乾淨原始輸入之間的差距；在稀疏自動編碼器（Sparse Autoencoder）中，損失函數還包含稀疏性懲罰項。訓練時最小化的是整體損失函數，而重建誤差既是損失的組成部分，也是推論時判斷異常的主要信號，兩個脈絡下的「重建誤差」使用方式不同，應根據上下文理解。

---

來源：https://aiterms.tw/terms/reconstruction-error
快查頁：https://aiterms.tw/terms/reconstruction-error
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-reconstruction-error