Un autoencoeur est un réseau de neurones artificiels exploité dans un contexte d’apprentissage non supervisé, pouvant être vu comme l’ensemble d’un encodeur et d’un décodeur.

Comme l’explique Jean Cupe dans sa contribution “La Data science à la rescousse des assurances” : L’encodeur est souvent utilisé dans l’apprentissage des caractéristiques discriminantes d’un ensemble de données.

L’encodeur cherche à réduire les dimensions des données d’entrée afin de les représenter dans un nouvel espace ou encodage tandis que le décodeur cherche à reconstruire les données à partir de l’encodage. Le but étant de reconstruire une donnée à partir de l’encodage en minimisant l’erreur de reconstruction.

Si un auto-encodeur est entrainé pour apprendre la représentation des opérations non-frauduleuses, les opérations reconstruites à partir de leur encodage qui ont une grande erreur de reconstruction peuvent être considérées comme des opérations suspicieuses. L’auto-encodeur peut ainsi être utilisé pour réduire l’effort de labélisation des données.