Nosotros tenemos:
- Autoencoders
- Redes adversas generativas (GAN)
Los codificadores automáticos se basan en modelos de redes neuronales no supervisadas (NN) mediante los cuales tenemos las redes codificador [math] f () [/ math] y decodificador [math] g () [/ math]. El objetivo del autoencoder es aprender características que pueden reconstruir la entrada x, ya que dichos autoencoders se aplican en:
- Característica de aprendizaje
- Reducción de dimensionalidad
- Modelos generativos
- Reducción de ruido
El codificador codifica la entrada x en un vector de código compacto z:
- ¿Cuántos tipos de técnicas utilizan los limpiadores profesionales?
- ¿Cuál es mejor, el modelo de regresión o ecuación estructural, y por qué?
- ¿Cuál es la diferencia entre análisis de datos, análisis de datos, minería de datos, ciencia de datos, aprendizaje automático y Big Data?
- ¿A quién o qué investigación de laboratorio en aprendizaje automático le parece más interesante?
- ¿Un descenso de gradiente funciona en Big Data?
[matemáticas] z = f (x, w_ {e}) [/ matemáticas]
donde [math] w_ {e} [/ math] = parámetros del codificador
Y el decodificador intenta reconstruir x de z como:
[matemáticas] \ hat {x} = g (z, w_ {d}) [/ matemáticas]
donde [math] w_ {d} [/ math] = parámetros del decodificador
La pérdida es el error de reconstrucción:
[matemáticas] e = || x- \ hat {x} || [/ matemáticas]
Lo que significa que no hay supervisión para optimizar los parámetros. En la mayoría de los casos, también podemos vincular los pesos [matemática] w_ {e} [/ matemática] y [matemática] w_ {d} [/ matemática] porque [matemática] f () [/ matemática] es el inverso de [matemática] ] g () [/ math] y viceversa. Se supone que el código z actúa como un cuello de botella para que el autoencoder aprenda una representación robusta.
Las GAN son otro tipo especial de modelos de aprendizaje sin supervisión que utilizan dos NN, el discriminador y la red generadora. Esto suena similar a los codificadores automáticos. Sí, en realidad tenemos codificadores automáticos adversos generativos. Las GAN son únicas en el sentido de que aplican algún tipo de juego. La red del generador intenta engañar a la red discriminadora generando datos falsos lo más cerca posible de los datos reales, mientras que el discriminador intenta distinguir los falsos de los reales. Así, las GAN aplican la teoría de juegos al proceso de aprendizaje. Las GAN también se pueden aplicar en:
- Característica de aprendizaje
- Reducción de dimensionalidad
- Modelos generativos
- Reducción de ruido
Por lo tanto, los codificadores automáticos y las GAN son dos modelos populares de NN sin supervisión.
Espero que esto ayude.
