İlginç bir seçenek, sinirsel boyutsal küçülmeyi araştırmak olabilir. Boyutsal küçültme için en yaygın kullanılan ağ türü olan otomatik kodlayıcı,O (i⋅n), nerede benegzersiz tekrarlarını temsil eder (egzersiz verilerinden bağımsız bir hiper parametredir). Bu nedenle, eğitim karmaşıklığıO ( n ).
Hinton ve Salakhutdinov'un 2006 seminer çalışmalarına bir göz atabilirsiniz [1]. O zamandan beri işler çok gelişti. Şimdi bu duruma büyük ölçüde Variational Autoencoders [2] ulaşmıştır, ancak temel fikir (çıktı katmanındaki girişi arada bir darboğaz katmanıyla yeniden yapılandıran bir ağ) aynıdır. PCA ve RP'nin aksine, otomatik kodlayıcıların doğrusal olmayan boyutsallık azalması yaptığını unutmayın. Ayrıca, t-SNE'nin aksine, otomatik kodlayıcılar görünmeyen örnekleri tüm modeli yeniden eğitmeye gerek kalmadan dönüştürebilir.
Pratik açıdan, bu bir göz alarak recomend mesaja acayip kütüphanesinde Keras ile autoencoders farklı nasıl uygulanacağına ilişkin ayrıntılı bilgi verir.
[1] Hinton, GE ve Salakhutdinov, RR (2006). Sinir ağları ile verilerin boyutsallığının azaltılması. bilim, 313 (5786), 504-507.
[2] Kingma, DP ve Welling, M. (2013). Otomatik kodlama varyasyon bölmeleri. arXiv ön baskı arXiv: 1312.6114.