Autoencoder

Como funcionam os codificadores automáticos

A arquitetura de um autoencoder é composta por uma função codificadora e uma função descodificadora, que podem ser redes simples de feed-forward ou estruturas mais complexas como as Redes Neuronais Convolucionais (CNN).

1. Codificador: Esta parte da rede pega nos dados de entrada de alta dimensão e mapeia-os para uma representação latente de baixa dimensão. Este vetor comprimido capta a essência dos dados de entrada.
2. Gargalo: Esta é a camada que contém a representação comprimida, em espaço latente, da entrada. É o núcleo do autoencoder e a razão pela qual é eficaz para a redução da dimensionalidade.
3. Descodificador: Esta parte pega na representação comprimida do estrangulamento e tenta reconstruir os dados de entrada originais de elevada dimensão.

O processo de formação do modelo envolve a minimização de uma função de perda, frequentemente designada por erro de reconstrução, que mede a diferença entre a entrada original e a saída reconstruída. Este processo é uma forma de aprendizagem auto-supervisionada, uma vez que o modelo aprende a partir dos próprios dados sem necessitar de rótulos explícitos.

Aplicações IA/ML do mundo real

Os autoencoders são versáteis e têm várias aplicações práticas na aprendizagem automática e na aprendizagem profunda.

1. Deteção de anomalias: Os autoencoders são altamente eficazes na deteção de anomalias. Um modelo é treinado num conjunto de dados que contém apenas pontos de dados "normais". Quando um novo ponto de dados anómalo (por exemplo, um defeito de fabrico ou uma transação financeira fraudulenta) é introduzido no codificador, o descodificador não consegue reconstruí-lo com precisão. Isto resulta num erro de reconstrução elevado, que pode ser utilizado como um sinal para assinalar a anomalia. Esta é uma técnica fundamental na IA para sistemas de fabrico e de segurança financeira, um tópico explorado por instituições como o Alan Turing Institute.
2. Denoising de imagens: Um Autoencoder de Denoising pode ser treinado para remover o ruído das imagens. O modelo recebe imagens com ruído como entrada e é treinado para produzir as versões originais e limpas. Esta capacidade é valiosa na análise de imagens médicas para melhorar a qualidade de exames de ressonância magnética ou tomografia computorizada, ou para restaurar fotografias antigas e granuladas. Esta abordagem aprendida à redução de ruído é mais sofisticada do que os filtros tradicionais de processamento de imagem.

Existem muitos tipos de codificadores automáticos, incluindo codificadores automáticos esparsos, codificadores automáticos de redução de ruído e codificadores automáticos convolucionais. Uma das variações mais significativas é o Autoencoder Variacional (VAE), que é um modelo generativo capaz de produzir novas amostras de dados semelhantes àquelas em que foi treinado. Está disponível no arXiv um resumo exaustivo dos VAE.

Auto-codificadores vs. Conceitos relacionados

• PCA: Embora ambos reduzam a dimensionalidade, a análise de componentes principais (PCA) limita-se a transformações lineares. Os auto-codificadores, sendo redes neuronais, podem aprender mapeamentos não lineares complexos, conduzindo frequentemente a melhores representações para conjuntos de dados complexos.
• GANs: As redes adversariais generativas (GAN) foram concebidas principalmente para gerar novos dados altamente realistas. Embora as VAEs também possam gerar dados, o seu objetivo é frequentemente a aprendizagem de um espaço latente bem estruturado, enquanto as GANs se destacam pela fidelidade dos resultados, por vezes à custa da interpretabilidade do espaço latente.
• CNNs e transformadores: Os auto-codificadores definem um padrão de arquitetura (codificador-descodificador). Utilizam frequentemente outros tipos de rede, como CNNs para dados de imagem ou Transformers para dados sequenciais, como blocos de construção. Isto difere de modelos como o Ultralytics YOLO, que são modelos supervisionados concebidos para tarefas como a deteção de objectos ou a segmentação de imagens.

Ferramentas e implementação

Os autoencoders podem ser implementados utilizando estruturas populares de aprendizagem profunda (DL):

• PyTorch: Oferece flexibilidade na definição de arquitecturas personalizadas de codificadores e descodificadores. Ver um tutorial PyTorch.
• TensorFlow/Keras: Fornece APIs de alto nível que simplificam o processo de construção e treinamento. Veja um guia do autoencoder do Keras.

Plataformas como o Ultralytics HUB facilitam o fluxo de trabalho global de ML, incluindo a gestão de dados e a formação de modelos, embora se concentrem principalmente em tarefas supervisionadas, como a deteção e a segmentação, e não na formação não supervisionada de autoencodificadores.