Autoenkodaren

Autoenkodaren är en typ av artificiellt neuralt nätverk som används för oövervakad inlärning. Dess huvudsakliga syfte är att lära sig en effektiv representation av indata, ofta kallad kodning, utan explicit vägledning. Autoenkodaren består av två huvudkomponenter: en kodare och en avkodare.

Kodaren tar indata och komprimerar den till en lägre dimensionell representation, en latent rymd. Denna kodning fångar de mest väsentliga egenskaperna hos indata. Avkodaren tar sedan denna komprimerade kodning och försöker rekonstruera den ursprungliga indatan så exakt som möjligt. Målet med träningen är att minimera skillnaden mellan den ursprungliga indatan och den rekonstruerade utdatan, ofta mätt med en förlustfunktion som medelkvadratfel.

Autoenkodare kan användas för en rad olika tillämpningar. Dessa inkluderar dimensionsreducering, där den komprimerade representationen kan användas för att förenkla data. De används också för brusreducering, där nätverket tränas att rekonstruera ren data från brusig indata. Ytterligare användningsområden inkluderar avvikelsedetektering, där hög rekonstruktionsfel kan indikera en avvikelse, och generativ modellering, där modifierade versioner av kodningen kan användas för att generera nya, liknande data. Det finns olika varianter av autoenkodare, som variella autoenkodare och denoising autoenkodare, som bygger vidare på grundkonceptet för att uppnå specifika mål.