¿Cuál es la diferencia entre una red neuronal y una red de codificador automático?

La red neuronal no es más que una función compuesta que puede aproximarse a cualquier función que asigne entradas a salidas a través de un proceso iterativo que técnicamente se denomina “Entrenamiento”.

Entonces, nada más que una red neuronal básica da una salida para una entrada.

Pero lo mismo cuando se trata de Autoencoder, configuramos la salida como la entrada, podemos llamar a esta red neuronal llamada Autoencoder.

Básicamente, va dentro de la representación más densa de los datos. El autoencoder más utilizado es el Autoencoder Variacional que aprende la variable oculta o latente de los datos de entrada yendo dentro de la parte densa de los datos de entrada.

En otras palabras, Autoencoder se usa para la reducción de dimensionalidad.

Una vez que aprendemos la parte oculta de los datos de entrada para un problema dado, es más suficiente para encontrar la salida.

Fuente-Imágenes de Google

Los autoencoders, también llamados autoasociadores, son redes construidas de 3 capas: entrada, oculta y salida. Los codificadores automáticos intentan aprender algunas representaciones de la entrada en la capa oculta de manera que sea posible reconstruir la entrada en la capa de salida en función de estas representaciones intermedias. Por lo tanto, la salida objetivo es la entrada misma. Un Autoencoder básico aprende sus parámetros al minimizar el error de reconstrucción. Esta minimización generalmente se realiza mediante un descenso de gradiente estocástico (muy parecido a lo que se hace en Perceptrón multicapa). Si la capa oculta es lineal y el error cuadrático medio se usa como criterio de reconstrucción, entonces el codificador automático aprenderá los primeros k componentes principales de los datos. Se proponen estrategias alternativas para hacer que los codificadores automáticos sean no lineales y sean apropiados para construir redes profundas, así como para extraer representaciones significativas de datos en lugar de funcionar solo como un método de reducción de dimensionalidad. Bengio ha llamado a estos métodos “Autoencoders regularizados”.

Una red de autoencoder es un tipo de red neuronal profunda cuyo objetivo principal es extraer funciones que ayudarán a reconstruir la señal de entrada original de esas funciones de manera eficiente.

Por lo tanto, un codificador automático tiene un conjunto de capas ocultas para extraer dichas características en múltiples niveles sucesivamente y otro conjunto de capas ocultas que siguen a las capas anteriores destinadas a reconstruir la señal de entrada original.

La capacitación de una red de este tipo tiene el objetivo de que la salida represente la representación más cercana posible de la entrada.

Los codificadores automáticos son un tipo específico de redes neuronales que están capacitadas para reconstruir su propia entrada.

Puede parecer aburrido, pero si pone restricciones en la estructura de la red o en cómo es el tren, las capas ocultas pueden terminar codificando cosas interesantes.