自动编码器的用途是什么?-人betway电竞工智能堆栈交换 最近30个来自www.1kvaups.com 2019年4月9日22:51:54Z //www.1kvaups.com/feeds/question/11405 http://www.creativecommons.org/licenses/by-sa/3.0/rdf 网址://www.1kvaups.com/q/11405 自动编码器的用途是什么? 美国国家广播公司 //www.1kvaups.com/users/2444 2019年3月23日15:53:23Z 2019年3月24日00:26:08Z

自编码器是学习输入的压缩表示以便稍后重建的神经网络,所以它们可以用于降维。它们由编码器和解码器(可以是单独的神经网络)组成。为了处理或减弱与维度性诅咒有关的问题,维度减少是有用的,当数据变得稀疏,更难获得“统计显著性”。所以,自动编码器(和PCA等算法)可以用来处理维数的诅咒。

为什么我们特别关心使用自动编码器的维数减少?为什么我们不能简单地使用PCA?如果目的是降维?

如果我们只想进行维数约简,为什么需要对输入的潜在表示进行解压?或者为什么我们需要一个自动编码器的解码器部分?什么是用例?一般来说,为什么我们需要压缩输入以稍后对其进行解压缩?仅仅使用原始输入(从开始)不是更好吗?

//www.1kvaups.com/必威英雄联盟questions/11405/-/11406 11406 NBRO回答自动编码器的目的是什么? 美国国家广播公司 //www.1kvaups.com/users/2444 2019年3月23日15:53:23Z 2019年3月23日15:59:38Z

自动编码器的用例(特别是,译码器或自动编码器的生成模型)是对输入进行去噪。这种自动编码器,打电话去噪自动编码器,接受一个部分损坏的输入,他们试图重建相应的未损坏的输入。这个模型有几种应用。例如,如果你的图像被破坏了,您可以使用去噪自动编码器潜在地恢复未损坏的。

自动编码器和PCA相关:

带有一个完全连接的隐藏层的自动编码器,线性激活函数和平方误差成本函数训练与主分量加载向量所跨越的子空间相同的权重,但它们与加载向量不同。

欲了解更多信息,看看报纸用线性自编码器从主子空间到主分量(2018)埃拉德·普劳特。也见这个答案,这也解释了PCA和自动编码器之间的关系。

//www.1kvaups.com/必威英雄联盟questions/11405/-/11412 11412 Pedro Henrique Monforte回答:自动编码器的目的是什么? 佩德罗·亨利克·蒙弗特 //www.1kvaups.com/users/23392 2019年3月23日t21:29:29z 2019年3月23日t21:29:29z

PCA是一种线性方法,它创建一个能够改变向量投影(改变轴)的变换。

由于PCA寻找最大方差的方向,所以通常具有很高的识别性。但是它不能保证大多数方差的方向是最具歧视性的方向。

LDA是一种线性方法,它创建一个转换,能够找到最相关的方向来决定向量是否属于A类或B类。

PCA和LDA具有非线性内核版本,可以克服它们的线性限制。

自动编码器可以与其他类型的损失函数进行降维。可以是非线性的,在很多情况下可能比PCA和LDA表现更好。

可能没有最好的机器学习算法来做任何事情,有时深度学习和神经网络对于简单的问题来说是致命的,PCA和LDA可能比其他的先尝试。更复杂,维度缩减。

//www.1kvaups.com/必威英雄联盟questions/11405/-/11415 11415 约西亚回答:自动编码器的目的是什么? 约西亚 //www.1kvaups.com/users/23413 2019年3月24日00:26:08Z 2019年3月24日00:26:08Z

重要的是要考虑数据中的哪种模式正在被表示。

假设您有一组灰度图像,这样每个图像的强度都是一致的。作为一个人脑,你会意识到这个数据集中的每一个元素都可以用一个数字参数来描述,这就是强度值。这是PCA可以做的,因为每个维度(我们可以将每个像素视为不同的维度)都是完全线性相关的。

假设您有一个由黑白128x128px位图图像组成的中心圆数据集。作为一个人脑,你很快就会意识到这个数据集中的每一个元素都可以用一个数字参数来完全描述,它是圆的半径。这是一个非常令人印象深刻的水平,从16384个二进制维度减少,也许更重要的是,它是数据的一个语义上有意义的属性。然而,PCA可能找不到那个模式。

你的问题是“为什么我们不能简单地使用PCA,如果目的是减少维度?”简单的答案是PCA是降维最简单的工具,但它可能会错过许多更强大的技术(如自动编码器)可能会找到的关系。