autoenkooderit
Autoenkooderi on neuraverkkomalli, jonka tarkoituksena on oppia rekonstruoimaan syöte mahdollisimman tarkasti. Se koostuu kahdesta osasta: encoder, joka muuntaa syötteen tiivistettyyn piilotettuun tilaan (latentin tilaan), sekä dekooderi, joka rekonstruoi syötteen tästä tilasta. Bottleneck-tila pakottaa verkon oppimaan olennaiset piirteet, jolloin latentti tila toimii tiiviinä representaationa syötteestä. Koulutus tapahtuu vähentämällä rekonstruktiovirhettä, esimerkiksi mean squared errorin tai binääristen tietojen tapauksessa ristiviinivirheellä, usein backpropagationilla.
Yleensä arkkitehtuuri on symmetrinen: samaa päättelyä käytetään sekä koodauksessa että rekonstruoinnissa, ja latentin tilan koko on
Variantit ja laajennukset kattavat useita tarkoituksia. Denoising autoencoderissa syöte korruptoidaan ennen syöttöä ja malli opetetaan rekonstruoimaan
Käyttökohteita ovat kuviin ja ääniin liittyvä tiivistäminen ja puhdistus, anomaliatunnistus, ominaisuuksien oppiminen ja generatiivinen mallinnus. Autoenkooderit