自動編碼器概念、步驟

自動編碼器Autoencoder，簡稱AE

• 一種非監督學習的演算法。
• 透過重建輸入Reconstruct機制，將用於輸入的編碼器Encoder壓縮輸出的低維度隱藏特徵Latent Feature/Code，經過用於輸出的解碼器Decoder解碼，輸出一個與原來輸入數據特徵完全一樣數據的一種神經網路。
• 步驟:
  ➊壓縮一個隱藏特徵:經過不斷的學習，會找出一個最能代表原始數據特徵的低維向量。
  ➋解壓縮成原來的輸入:Decoder將低維的隱藏特徵解壓縮成原來的特徵(真實特徵能力越強，decoder輸出結果就愈像原來的輸出數據)。
  ➌重建誤差的極小化Minimize Reconstruction Errors:輸出的數據特徵和原來輸入的數據特徵中間的差異，透過不斷修正網路內的參數，將重建誤差調整至最小。
• 主要應用:推薦系統、異常偵測

生成對抗網路架構與特色

生成對抗網路Generative Adcersarial Network，簡稱GAN

• 透過一組生成網路Generator與判別網路Discriminator(批判性資料)，兩者之間不斷協作與對抗，產生新的高品質數據。
• 一種非監督式學習方法。
• 架構圖:
• 訓練步驟:
  ➊固定生成網路來訓練判別網路
  利用真實的資料與生成網路隨機產生的假資料一起輸入判別網路，不斷訓練它來判別真假貓，直到判別網路具備非常高的判別準確率。
  
  固定G，再訓練D架構圖
  ➋固定判別網路再訓練生成網路
  利用生成網路產生大量的假圖像給已經訓練好的判別網路來鑑別，判別網路會不斷找出瑕疵並回饋給生成網路，如此不斷訓練生成網路，直到生成網路能以假亂真，騙過鑑定。
  
  固定D，再訓練G的架構圖
• 優點:①可以創造出大量品質優秀的標註資料，解決深度學習最大問題 ②可產生許多有創意的輸出
• 應用:圖像的生成、語音的生成、文本的生成、資安偵測與對抗(不斷生成偽裝技術很好的病毒，訓練自身偵測能力與面對駭客偽裝的欺騙能力)、詐騙偵測與對抗(如同資安一樣，兩個網路相互抗衡以提高安全性)

參考來源:人工智慧:概念應用與管理 林東清