知识卡片
去噪自编码器
去噪自编码器(DAE)是另一种规范化版本,但规范化施加在输入数据上而非损失函数:它强迫网络从被损坏的输入中重建原始数据,以此学到更鲁棒的特征。对每个输入样本随机挑选一组特征加以改变,推荐腐败率在 30%–50%,且样本越多腐败率越低、样本越少越高;常见的两种损坏方式是给选中数据置零,或给它们叠加高斯噪声。DAE 通常用于神经网络预训练,把提取到的鲁棒表示作为下游监督学习的输入特征,因此本章的无监督欺诈检测方案并不采用它。这一限制说明变体的选择取决于任务形态,而非越复杂越好,参见 [[自编码器的发展路径]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 受限玻尔兹曼机和自编码器 自编码器变体与信用卡欺诈检测 · 查看原书依据
去噪自编码器(DAE)是自编码器的另一种规范化版本,但是该规范化是在输入数据上添加的,而不是损失函数。 自编码器被迫从损坏的输入数据中重建原始数据,以期希望学习到更强大的特征。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明 DAE 把规范化加在输入数据上、靠从损坏输入重建来学鲁棒特征,支撑其定义与机制。
- 原始内容:去噪自编码器(DAE)是自编码器的另一种规范化版本,但是该规范化是在输入数据上添加的,而不是损失函数。 自编码器被迫从损坏的输入数据中重建原始数据,以期希望学习到更强大的特征。