Denoising Autoencoder:
رمزگذار خودکار حذف نویز(DAE) نوع خاصی از رمزگذارهای خودکار است که به طور کلی به عنوان یک نوع شبکه عصبی عمیق(deep neural network) طبقه بندی می شود. رمزگذار خودکار حذف نویز برای استفاده از یک لایه پنهان برای بازسازی یک مدل خاص بر اساس ورودی های آن آموزش می بیند.
رمزگذار خودکار حذف نویز اصلاحی در رمزگذار خودکار برای جلوگیری از یادگیری عملکرد هویت توسط شبکه است. به طور خاص، اگر رمزگذار خودکار بیش از حد بزرگ باشد، فقط می‌تواند داده‌ها را یاد بگیرد، بنابراین خروجی برابر با ورودی است و هیچ یادگیری نمایش مفید یا کاهش ابعاد را انجام نمی‌دهد.
به طور کلی، رمزگذارهای خودکار با فرض بازسازی ورودی های خود کار می کنند. رمزگذارهای خودکار معمولاً برنامه‌های یادگیری ماشینی بدون نظارت هستند که نتایج را از داده‌های بدون ساختار به دست می‌آورند.
برای دستیابی به این تعادل از تطبیق خروجی‌های هدف با ورودی‌ها، رمزگذارهای خودکار حذف نویز این هدف را به روشی خاص انجام می‌دهند برنامه نسخه خراب برخی از مدل‌ها را دریافت می‌کند و سعی می‌کند با استفاده از تکنیک‌های حذف نویز، یک مدل تمیز را بازسازی کند. مهندسان ممکن است نویز را در یک مقدار خاص به عنوان درصدی از مدل اعمال کنند و سعی کنند لایه پنهان را مجبور کنند تا از نسخه خراب کار کند تا یک نسخه تمیز تولید کند. رمزگذارهای خودکار حذف نویز نیز می توانند روی یکدیگر چیده شوند تا یادگیری تکراری برای رسیدن به این هدف کلیدی فراهم شود.
چیست؟ Autoencoder و Denoising Autoencoder تفاوت اصلی
رمزگذار خودکار حذف نویز، علاوه بر یادگیری فشرده‌سازی داده‌ها (مانند رمزگذار خودکار)، حذف نویز، در تصاویر را می‌آموزد، که اجازه می‌دهد حتی زمانی که ورودی‌ها نویز دارند، عملکرد خوبی داشته باشد. بنابراین رمزگذارهای خودکار حذف نویز قوی تر از رمزگذارهای خودکار هستند بعلاوه آنها ویژگی های بیشتری را از داده ها نسبت به یک رمزگذار خودکار استاندارد یاد می گیرند.
