自编码器简介

Jan, 2022

An Introduction to Autoencoders

Umberto Michelucci

TL;DR本文介绍了自编码器的数学和基本概念，讨论了其局限性、典型用例，以及几个例子，并探讨了其在减少维度、分类、去噪和异常检测等方面的应用。

Abstract

In this article, we will look at autoencoders. This article covers the mathematics and the fundamental concepts of autoencoders. We will discuss what they are, what the limitations are, the typical use cases, and

autoencoders activation function reconstruction error dimensionality reduction anomaly detection

发现论文，激发创造

我们是否以错误方式使用自编码器？

在该文中，我们重新审视了欠完备自动编码器的标准训练方法，通过修改潜在空间的形状而无需在损失函数中使用任何显式正则化项。我们迫使模型重构的不是相同的观测输入，而是从同一类分布中抽样得到的另一个观测值。我们还探讨了在重构来自整个数据集的随机样本时潜在空间的行为。

Sep, 2023

自编码器

本文综述了不同类型的自编码器及其应用，自编码器是一种神经网络，通过压缩表示和重构输入以实现输入的重构。

Mar, 2020

一种自编码器机制框架

本文提出了自动编码器机制的理论框架，研究了编码器的两个基本属性：双射映射和数据解缠，并给出了满足这两个属性中任意一个或同时具备的编码器的构造方法。基于该理论框架，我们解释了一些自动编码器的实验结果，证明自动编码器在降维和分类方面相较于 PCA 和决策树的优势，同时该理论框架还解释了卷积神经网络和随机加权神经网络。

Aug, 2022

变分自编码器简介

该论文介绍了变分自编码器及其重要扩展，它们提供了学习深度潜变量模型及对应推理模型的原则框架。

Jun, 2019

自编码器为何有效？

深度神经网络自编码器常用于模型简化，在此研究中通过调整网络参数来最小化输入与重构输出之间的差异，以达到恢复输入数据的效果，并证明了该方法的有效性。

Oct, 2023

利用信息论概念理解自编码器

本文从信息论的角度出发，提出了一种理论和系统性的方法，详细介绍了深度学习中数据的流动和自编码器的设计，探究了互信息在描述数据学习上的重要性，并针对均方误差的训练提出了三个基本特性，这对自编码器的最优设计、替代前馈训练方法的设计、以及泛化问题有直接的影响。

Mar, 2018

使用对抗自编码器实现图像中的稳健异常检测

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。