คำถามติดแท็ก curse-of-dimensionality

Autoencodersเป็นเครือข่ายประสาทที่เรียนรู้การบีบอัดข้อมูลที่นำเสนอเพื่อสร้างใหม่ในภายหลังเพื่อให้สามารถใช้สำหรับการลดขนาด พวกเขาประกอบด้วยตัวเข้ารหัสและตัวถอดรหัส (ซึ่งสามารถแยกเครือข่ายประสาทเทียม) การลดขนาดจะมีประโยชน์ในการจัดการหรือลดทอนปัญหาที่เกี่ยวข้องกับคำสาปของมิติซึ่งข้อมูลจะกระจัดกระจายและเป็นการยากที่จะได้รับ "นัยสำคัญทางสถิติ" ดังนั้นระบบเข้ารหัสอัตโนมัติ (และอัลกอริทึมอย่าง PCA) จึงสามารถใช้เพื่อจัดการกับคำสาปของมิติข้อมูล ทำไมเราถึงต้องใส่ใจกับการลดขนาดโดยเฉพาะการใช้ระบบเข้ารหัสอัตโนมัติ? เหตุใดเราไม่ใช้ PCA เพียงอย่างเดียวหากจุดประสงค์คือลดขนาด เหตุใดเราจึงต้องขยายการแสดงข้อมูลที่แฝงของอินพุทถ้าเราแค่ต้องการลดขนาดหรือทำไมเราจึงต้องมีส่วนของตัวถอดรหัสในตัวเข้ารหัสอัตโนมัติ? กรณีการใช้งานคืออะไร? โดยทั่วไปแล้วทำไมเราต้องบีบอัดอินพุตเพื่อขยายภายหลังหรือไม่ จะดีกว่าไหมถ้าใช้แค่อินพุตดั้งเดิม (เริ่มต้นด้วย)

10 machine-learning  autoencoders  dimensionality-reduction  curse-of-dimensionality