Autoencoder
Kurzbeschriebung
Autoencoder sind neuronale Netzwerke des unüberwachten Lernens, die darauf trainiert werden, ihre Eingabedaten über eine komprimierte interne Darstellung (latenter Raum) möglichst verlustarm zu rekonstruieren. Sie bestehen aus einem Encoder, der die Daten verdichtet, und einem Decoder, der die Originaldaten aus dieser Verdichtung wiederherstellt.
Formal wird eine Abbildung '"`UNIQ--math-00000000-QINU`"' '"`UNIQ--math-00000001-QINU`"' gelernt, sodass ein Rekonstruktionsfehler (z. B. '"`UNIQ--math-00000002-QINU`"') minimiert wird. Durch Engpässe, Regularisierung oder Rauschzugabe wird verhindert, dass das Modell triviale Identitätsabbildungen lernt.
Es existieren zahlreiche Varianten: Denoising Autoencoder (robust gegen Rauschen), Sparse Autoencoder (erzwingen dünn besetzte Repräsentationen), Variational Autoencoder (VAE) (probabilistische latente Variablen) und Convolutional Autoencoder für Bild- und Signalverarbeitung.
Autoencoder sind stark nichtlinear, hochflexibel und eignen sich besonders zur Merkmalsreduktion, Anomalieerkennung und Repräsentationslernen. Die latenten Dimensionen sind jedoch meist nicht direkt semantisch interpretierbar.
Anwendbarkeit im Gesundheitssektor
Im Gesundheitswesen werden Autoencoder häufig für Dimensionsreduktion und Feature Learning eingesetzt, etwa bei hochdimensionalen EHR-Daten, genetischen Profilen, medizinischen Bildern oder Biosignalen. Sie dienen oft als Vorverarbeitungsschritt für nachgelagerte Klassifikations- oder Prognosemodelle.
In Public Health kommen Autoencoder u. a. zur Anomalieerkennung (z. B. ungewöhnliche Muster in Surveillance-Daten), zur Datenkompression und zur Integration heterogener Datenquellen zum Einsatz. Ihre Rolle ist primär explorativ und prädiktiv, nicht kausal.
Sonstiges
Unüberwachtes oder selbstüberwachtes Lernen
Hoher Datenbedarf bei tiefen Architekturen
Interpretierbarkeit der latenten Variablen begrenzt
Semantik
Wikidata-Identifikator ist: Q17007850
Deutsche Wikipediaseite ist: Autoencoder
Englische Wikipediaseite ist: Autoencoder
Quelle: Hinton & Salakhutdinov (2006), Reducing the Dimensionality of Data with Neural Networks
Behandlung von Unsicherheit in den Ergebnissen der Methode ist nicht„Nicht“ befindet sich nicht in der Liste (Explizit, Implizit, Nicht vorhanden) zulässiger Werte für das Attribut „Behandlung von Unsicherheit in den Ergebnissen der Methode ist“.
Für die Methode benötigte Datenmenge ist groß
Zweck der Methode ist Beschreibende und erkundende Analyse;Vorhersage„Beschreibende und erkundende Analyse;Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Tiefes Lernen;Maschinelles Lernen„Tiefes Lernen;Maschinelles Lernen“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist schlecht
Webseite: https://www.deeplearningbook.org/