¡SÍ!
La solución a este problema existe en la literatura.
Se llama Denoising Autoencoder. Pertenece a una clase de redes neuronales, a saber, ‘ AutoEncoder ‘, que generalmente no están supervisadas por naturaleza. El objetivo de un codificador automático es asignar los datos de entrada a un espacio latente que tiene cierta importancia (depende de un codificador automático específico) y luego volver a asignarlo al espacio de entrada original. Dependiendo de la arquitectura y las restricciones de peso, este espacio latente puede extraer información significativa diferente sobre los datos.
- Cómo aprender a limpiar datos usando R rápidamente
- ¿Cuál es la filosofía de la matriz, la descomposición del tensor para encontrar la estructura latente?
- ¿Hay alguien aquí que pueda darme una lib correcta para R-Tree en Java?
- ¿Por qué NP = P es tan difícil de resolver?
- ¿Por qué las celdas LSTM tienen dos puertas de escritura?
Un miembro específico de la familia ‘Autoencoder’ es Denoising Autoencoder, donde el número de neuronas ocultas es mayor que el de las neuronas de entrada. Este tipo de arquitectura le da al espacio latente la capacidad de contener información adicional sobre los datos (que no es más que información de eliminación de ruido).
Al entrenar una red de este tipo con datos de entrada en ambos extremos de la red, se puede usar como filtro de ruido. También hay versiones más profundas de la red denominada autoencoder apilado . Para más información visite este
Espero eso ayude.
