데이터를 좁은 틈으로 밀어 넣어 재구성하는 것과 같습니다. 오토인코더는 입력을 압축하여 간결한 표현으로 만든 다음, 그 좁은 틈에서 원래 형태를 재구성하는 방식으로 학습합니다. 단순히 복사하는 것만으로는 부족합니다. 중요한 구조를 포착해야 합니다.
두 부분이 핵심적인 역할을 합니다. 인코더는 입력을 잠재 벡터로 변환하고, 디코더는 변환된 벡터를 원래 공간으로 다시 변환합니다. 학습 과정에서는 재구성 오류를 최소화하는데, 이 오류는 일반적으로 평균 제곱 오차 또는 교차 엔트로피로 측정됩니다.
일반적인 용도
- PCA의 비선형적 대안으로서의 차원 축소
- 노이즈 제거는 네트워크에서 오류를 제거하는 과정입니다.
- 재구성 오류 측정을 통한 이상 탐지
- 하위 작업을 위한 사전 학습
변형된 방식들은 이러한 아이디어를 확장합니다. 변분 오토인코더는 잠재 공간에 확률적 구조를 부여하여 새로운 샘플을 생성할 수 있도록 합니다. 희소 오토인코더는 간결한 코드를 유도하기 위해 페널티를 추가합니다.
Comments (2)
Leave a comment