自編碼器AutoEncoder的簡介

? ? ? ?自編碼器（autoencoder, AE）是一類在半監(jiān)督學習和非監(jiān)督學習中使用的人工神經(jīng)網(wǎng)絡ANN，其功能是通過將輸入信息作為學習目標，對輸入信息進行表征學習（representation learning）。
? ? ? ?自編碼器包含編碼器（encoder）和解碼器（decoder）兩部分。按學習范式，自編碼器可以被分為收縮自編碼器（undercomplete autoencoder）、正則自編碼器（regularized autoencoder）和變分自編碼器（Variational AutoEncoder, VAE），其中前兩者是判別模型、后者是生成模型。按構筑類型，自編碼器可以是前饋結構或遞歸結構的神經(jīng)網(wǎng)絡。
? ? ? ?自編碼器具有一般意義上表征學習算法的功能，被應用于降維（dimensionality reduction）和異常值檢測（anomaly detection）。包含卷積層構筑的自編碼器可被應用于計算機視覺問題，包括圖像降噪（image denoising）、神經(jīng)風格遷移（neural style transfer）等。

1、AutoEncoder發(fā)展史

1.1、1986年RBM

? ? ? ? AutoEncoder的基本思想是利用神經(jīng)網(wǎng)絡來做無監(jiān)督學習，就是把樣本的輸入同時作為神經(jīng)網(wǎng)絡的輸入和輸出。本質上是希望學習到輸入樣本的表示（encoding）。早期AutoEncoder的研究主要是數(shù)據(jù)過于稀疏、數(shù)據(jù)高維導致計算復雜度高。比較早用神經(jīng)網(wǎng)絡做AutoEncoder的可以追溯到80年代的BPNN和MLP以及當時Hinton推崇的RBM。后來到了2000年以后還堅持在做的只剩下Hinton的RBM了。

1.2、稀疏AutoEncoder、噪音容忍AutoEncoder、卷積AutoEncoder、變分AutoEncoder→對抗AutoEncoder

? ? ? ? 從2000年以后，隨著神經(jīng)網(wǎng)絡的快速興起，AutoEncoder也得到快速發(fā)展，基本上有幾條線：稀疏AutoEncoder、噪音容忍AutoEncoder、卷積AutoEncoder、變分AutoEncoder。最新的進展是結合對抗思想的對抗AutoEncoder。

稀疏AutoEncoder，在學習輸入樣本表示的時候可以學習到相對比較稀疏的表示結果，這在Overcomplete AutoEncoder（就是學習得到高維表示）方法中尤為重要。代表性人物包括斯坦福大學的Andrew Ng和蒙特利爾的Yoshua Bengio教授。具體方法就是在原來的損失函數(shù)中加一個控制稀疏化的正則化項，通過控制優(yōu)化過程來實現(xiàn)。
Denoising AutoEncoder的核心思想就是提高Encoder的魯棒性，本質上就是避免可能的overfitting。一個辦法是在輸入中加入隨機噪音（比如隨機置0一些輸入，或者隨機把部分輸入變?yōu)閙arked），這些思想后來在BERT等模型中也有廣泛使用；另一個辦法就是結合正則化的思想，比如在目標函數(shù)中加上eEncoder的Jacobian范數(shù)。Jacobian范數(shù)可以讓學習到的特征表示更具有差異性。
著名研究者Jurgen Schmidhuber提出了基于卷積網(wǎng)絡的AutoEncoder以及后來的LSTM AutoEncoder。Max Welling基于變分思想提出變分AutoEncoder方法VAE，這也是一個里程碑式的研究成果。后面很多研究者在這個工作上進行了擴展，包括info-VAE、beta-VAE和factorVAE等。

? ? ? ? 最近還有人借鑒Ian Goodfellow等人提出的對抗建模思想提出Adversarial AutoEncoder，也取得了很好的效果。這和之前的噪音容忍的AE學習也有一定呼應。除了上面的思想，就是可以把上面的各種方法stacking起來。