↑: [[G検定に関する知識]] - 入力データを圧縮して復元するよう学習するNN（砂時計型構造） - エンコーダ（符号化）: 入力→潜在変数（低次元表現） - デコーダ（復号）: 潜在変数→元データの再現 - ボトルネック: 中間層のニューロン数を極端に少なくする - **情報は完全に保持されない**（ノイズなど一部は必ず失われる） ← 重要 - この制約が「本質的な特徴のみ学習」を強制する - [[PCA]]との違い: 活性化関数（ReLUなど）により**非線形な次元削減**が可能 - 3大活用 - 次元削減: 中間層の潜在変数を特徴ベクトルとして利用 - 異常検知: 正常データで学習→異常データは**再構成誤差が大きい** - ノイズ除去（Denoising Autoencoder）: ノイズあり入力→クリーン出力を学習 - 入力を圧縮してまた元に戻すように学習するニューラルネットワーク。**教師なし学習**の一種 - 別名: 自己符号化器 - 入力を再現する中でデータの本質を捉える。うまく復元できれば本質をうまく圧縮できた証拠 - 主な用途①: **次元削減**（PCAの非線形版。曲がった圧縮ができる） - 主な用途②: **事前学習**（エンコーダだけ取り出して転用。いまは古典的な位置づけ） - cf. [[潜在変数]], [[積層オートエンコーダ]], [[VAE]]