ในระบบประสาทคำว่า Neural Coding ใช้เพื่ออ้างถึงรูปแบบของกิจกรรมไฟฟ้าของเซลล์ประสาทที่เกิดจากสิ่งเร้า การเข้ารหัสแบบเบาบางโดยการหมุนเป็นรูปแบบหนึ่ง มีการกล่าวโค้ดว่าเบาบางเมื่อมีการกระตุ้น (เช่นภาพ) กระตุ้นการทำงานของเซลล์ประสาทจำนวนค่อนข้างน้อยซึ่งรวมกันแสดงถึงมันในลักษณะเบาบาง ในการเรียนรู้เครื่อง จำกัด การเพิ่มประสิทธิภาพเดียวกันที่ใช้ในการสร้างแบบจำลองรหัสหร็อมแหร็มสามารถนำมาใช้ในการดำเนินการ Sparse Autoencoders ซึ่งเป็น autoencoders ปกติผ่านการฝึกอบรมกับข้อ จำกัด sparsity คำอธิบายที่ละเอียดยิ่งขึ้นสำหรับคำถามแต่ละข้อของคุณ
การกระจัดกระจายการเข้ารหัสถูกกำหนดให้เป็นการเรียนรู้ชุดเวกเตอร์พื้นฐานที่ครบวงจรเพื่อเป็นตัวแทนเวกเตอร์อินพุต (<- ทำไมเราต้องการสิ่งนี้)
อย่างแรกอย่างน้อยก็ตั้งแต่(Hubel & Wiesel, 1968)เป็นที่รู้กันว่าในภูมิภาค V1 มีเซลล์เฉพาะที่ตอบสนองต่อสิ่งกระตุ้นคล้ายกับขอบมากที่สุด (นอกเหนือจากการมีคุณสมบัติ "ประโยชน์" อื่น ๆ ) Sparse Coding เป็นรูปแบบที่อธิบายลักษณะที่สังเกตได้หลายอย่างของระบบนี้ ดู(Olshausen & Field, 1996)สำหรับรายละเอียดเพิ่มเติม
ประการที่สองมันแสดงให้เห็นว่ารูปแบบที่อธิบายการเข้ารหัสแบบเบาบางเป็นเทคนิคที่มีประโยชน์สำหรับการดึงคุณสมบัติในการเรียนรู้ของเครื่องและให้ผลลัพธ์ที่ดีในการถ่ายโอนงานการเรียนรู้ Raina และคณะ (2007)แสดงให้เห็นว่าชุดของ "พื้นฐานเวกเตอร์" (คุณสมบัติเหมือนปากกาจังหวะและขอบ) เรียนรู้ด้วยชุดฝึกอบรมที่ประกอบด้วยตัวอักษรเขียนด้วยมือช่วยเพิ่มการจำแนกในงานรับรู้ตัวเลขที่เขียนด้วยมือ รุ่นที่ตามมา Sparse Coding ถูกนำมาใช้ในการฝึกอบรมเครือข่าย "ลึก", ชั้นซ้อนของเครื่องตรวจจับคุณลักษณะ sparse เพื่อสร้าง "ตาข่ายความเชื่อลึก sparse" (Lee et al., 2007). เมื่อไม่นานมานี้ผลลัพธ์ที่น่าประหลาดใจในการจดจำภาพก็ทำได้โดยใช้แบบจำลองการเข้ารหัสแบบเบาบางเพื่อสร้างเครือข่ายที่มีหลายเลเยอร์ ("Google Brain" ที่มีชื่อเสียง) ซึ่งสามารถแยกแยะภาพของแมวในลักษณะที่ไม่มีการดูแลอย่างแท้จริง , 2013)
ประการที่สามอาจเป็นไปได้ที่จะใช้พื้นฐานการเรียนรู้เพื่อทำการบีบอัด A ยังไม่เคยเห็นใครทำแบบนั้นมาก่อน
ความแตกต่างระหว่างการเข้ารหัสแบบเบาบางและตัวเข้ารหัสอัตโนมัติคืออะไร
autoencoder เป็นรุ่นที่พยายามสร้างอินพุตขึ้นมาใหม่โดยปกติจะใช้ข้อ จำกัด บางอย่าง ตามวิกิพีเดียมัน "เป็นเครือข่ายประสาทเทียมที่ใช้สำหรับการเรียนรู้การเข้ารหัสที่มีประสิทธิภาพ" ไม่มีสิ่งใดในคำจำกัดความของผู้สร้างภาพอัตโนมัติที่ต้องมีการกระจาย ข้อ จำกัด การเข้ารหัสแบบเบาบางเป็นหนึ่งในเทคนิคที่มีอยู่ แต่มีวิธีอื่นเช่น Denoising Autoencoders, Contractive Autoencoders และ RBMs ทั้งหมดทำให้เครือข่ายเรียนรู้การนำเสนอที่ดีของอินพุต (ซึ่งก็คือ "กระจัดกระจาย")
เมื่อใดที่เราจะใช้การเข้ารหัสแบบเบาบางและตัวเข้ารหัสอัตโนมัติ
คุณอาจสนใจใช้ตัวเข้ารหัสอัตโนมัติสำหรับการดึงคุณสมบัติและ / หรือการฝึกอบรมล่วงหน้าของเครือข่ายลึก หากคุณติดตั้งโปรแกรมสร้างรหัสอัตโนมัติด้วยข้อ จำกัด ของสปาร์สคุณจะใช้ทั้งคู่