autoenkooderien

Autoenkooderit ovat eräänlaisia neuroverkkoja, joita käytetään tehokkaaseen datan esitykseen ja oppimiseen. Niiden päätavoite on oppia tiivistettyä esitystä datasta, eli koodata syötedata pienempään ulottuvuuteen. Toisin kuin perinteiset dimensiota pienentävät menetelmät, kuten pääkomponenttianalyysi (PCA), autoenkooderit ovat ei-lineaarisia ja kykenevät mallintamaan monimutkaisempia suhteita datassa.

Autoenkooderi koostuu kahdesta pääosasta: enkooderista ja dekooderista. Enkooderi ottaa syötedatan ja muuntaa sen matalan ulottuvuuden esitykseksi, jota kutsutaan latentiksi tilaksi tai koodiksi. Dekooderi puolestaan ottaa tämän koodin ja pyrkii rekonstruoimaan alkuperäisen syötedatan mahdollisimman tarkasti. Neuroverkon koulutus tapahtuu minimoimalla rekonstruktiovirhe, eli ero alkuperäisen syötteen ja dekooderin tuottaman rekonstruktion välillä.

Autoenkoodereita käytetään monenlaisissa sovelluksissa. Niitä hyödynnetään esimerkiksi datan pakkaamiseen, kohinanpoistoon (denoising autoencoders), epänormaaliuksien havaitsemiseen, piirteiden oppimiseen ja jopa generatiivisiin malleihin (variational autoencoders, VAEs). Erityisen hyödyllisiä ne ovat datassa, jossa on korkea ulottuvuus ja monimutkaisia, piileviä rakenteita.