Uitleg
Een autoencoder is ongecontroleerd neuraal netwerk met twee delen: encoder comprimeert input naar lagerdimensionale latente representatie, decoder reconstrueert output van representatie. Het doel is minimale reconstructie-fout.
Autoencoders leren compressed representaties van data zonder labels. Dit is nuttig voor: dimensiereductie, feature learning, anomaliedetectie, en denoising. Variational autoencoders (VAEs) voegen probabilistische component toe.
Autoencoders kunnen gebruikt worden als preprocessing voor supervised learning of voor unsupervised feature learning. Bottleneck-laag dwingt informatie-compressie. Diepere autoencoders leren hiërarchische representaties.
⚡ Voorbeelden
- •Dimensiereductie: autoencoder comprimeert 784 pixel-features van MNIST naar 32-dimensionale latente vector
- •Anomaliedetectie: autoencoder trainen op normale data, high reconstruction-fout = anomalie
- •Denoising: autoencoder trainen op noisy data, learn clean reconstructions
Trefwoorden
unsupervised-learningcompressiebottleneck-laagreconstructie