Autoenkodare

Autoenkodare är en typ av artificiellt neuralt nätverk som används för oövervakad inlärning av effektiva representationer. De tränas för att återskapa sin indata. Ett autoenkoder består av två huvuddelar: en kodare och en avkodare. Kodaren mappar indatan till en komprimerad representation, ofta kallad laten rymd eller kod. Avkodaren tar sedan denna kod och försöker återskapa den ursprungliga indatan. Målet är att minimera rekonstruktionsfelet, skillnaden mellan indatan och utdatan.

Genom att tvinga nätverket att lära sig en komprimerad representation kan autoenkodare användas för dimensionality reduction. Den latenta rymden kan fånga de mest väsentliga dragen i datan. Om den latenta rymden har en lägre dimension än indatan, måste nätverket lära sig att koda informationen på ett mer kompakt sätt.

Autoenkodare kan också användas för brusreducering. En brusig indata matas till autoenkodaren, och nätverket tränas för att återskapa den rena, ursprungliga indatan. Detta görs genom att nätverket lär sig de underliggande mönstren i datan och filtrerar bort slumpmässigt brus.

Det finns olika varianter av autoenkodare, inklusive sparsamma autoenkodare, denoising autoenkodare och variabla autoenkodare (VAE). VAE skiljer sig genom att den latenta rymden modelleras som en sannolikhetsfördelning, vilket möjliggör generativ modellering. Autoenkodare har applikationer inom områden som bildkompression, anomalidetektering och generering av nya data.