Autoencoder คืออะไร? โครงข่ายที่บีบอัดข้อมูลแล้วสร้างกลับให้เหมือนเดิม
Autoencoder (ตัวเข้ารหัสอัตโนมัติ หรือ ออโตเอนโค้ดเดอร์) คือ โครงข่ายประสาทเทียมชนิดหนึ่งที่เรียนรู้การบีบอัดข้อมูลให้เล็กลง แล้วสร้างข้อมูลกลับออกมาให้ใกล้เคียงต้นฉบับที่สุด โดยมีเป้าหมายให้ผลลัพธ์ที่สร้างกลับเหมือนข้อมูลนำเข้าเดิม ระหว่างทางมันจะจับสาระสำคัญของข้อมูลไว้ในรูปแบบที่กะทัดรัด เรียนแบบไม่ใช้ป้ายกำกับ (unsupervised)
Autoencoder คืออะไร
ลองนึกภาพการย่อเอกสารให้เหลือโน้ตสั้น ๆ ที่เก็บใจความสำคัญ แล้วค่อยขยายกลับเป็นเนื้อหาที่ใกล้เคียงต้นฉบับ Autoencoder ทำงานในทำนองเดียวกันกับข้อมูล เช่น รูปภาพหรือสัญญาณ
ส่วนประกอบหลัก
- Encoder (ตัวเข้ารหัส): บีบข้อมูลนำเข้าให้เหลือรูปแบบย่อที่เรียกว่าพื้นที่แฝง (latent space)
- Latent space (พื้นที่แฝง): ตัวแทนขนาดเล็กที่เก็บสาระสำคัญ
- Decoder (ตัวถอดรหัส): นำตัวแทนย่อมาสร้างกลับเป็นข้อมูลขนาดเดิม
ภาพรวมการไหล
[ x \rightarrow \text{Encoder} \rightarrow z \rightarrow \text{Decoder} \rightarrow \hat{x} ]
โดย (x) คือข้อมูลนำเข้า (z) คือตัวแทนในพื้นที่แฝง และ (\hat{x}) คือข้อมูลที่สร้างกลับ
เรียนรู้ได้อย่างไร
เป้าหมายการฝึกคือให้ (\hat{x}) ใกล้เคียง (x) ให้มากที่สุด ความต่างระหว่างสองค่านี้เรียกว่าความผิดพลาดในการสร้างกลับ (reconstruction error) ซึ่งวัดด้วยฟังก์ชันการสูญเสีย เช่น ค่าเฉลี่ยผลต่างกำลังสอง
- ป้อนข้อมูลเข้า encoder
- ได้ตัวแทนย่อ (z)
- decoder สร้าง (\hat{x}) กลับ
- เปรียบเทียบ (\hat{x}) กับ (x) แล้วปรับพารามิเตอร์ให้ความผิดพลาดลดลง
แม้จะไม่มีป้ายกำกับ แต่โมเดลใช้ตัวข้อมูลเองเป็นเป้าหมาย จึงจัดเป็นการเรียนแบบ self-supervised ในความหมายกว้าง
Autoencoder มีประเภทไหน
Autoencoder แบบเรียบง่าย
บีบอัดและสร้างกลับตรง ๆ เหมาะกับงานลดมิติและถอดสัญญาณรบกวน
Denoising Autoencoder
ป้อนข้อมูลที่เติมสัญญาณรบกวนเข้าไป แล้วฝึกให้สร้างกลับเป็นข้อมูลสะอาดต้นฉบับ ช่วยให้โมเดลเรียนลักษณะที่แท้จริงแทนการจำแบบผิวเผิน
Variational Autoencoder (VAE)
เรียนการแจกแจงความน่าจะเป็นในพื้นที่แฝง ทำให้สามารถสร้างข้อมูลใหม่ที่ไม่เคยมีมาก่อนได้ จึงนับเป็นแบบจำลองเชิงกำเนิด (generative model) เช่นเดียวกับGAN
ใช้งานที่ไหน
| งาน | ประโยชน์ |
|---|---|
| ลดมิติข้อมูล | ย่อข้อมูลขนาดใหญ่ให้เห็นภาพและจัดการง่ายขึ้น |
| ถอดสัญญาณรบกวน | ลบจุดรบกวนในภาพหรือสัญญาณ |
| ตรวจหาความผิดปกติ | ข้อมูลที่สร้างกลับได้ไม่ดีมักเป็นสิ่งผิดปกติ |
| สร้างภาพใหม่ | VAE สร้างใบหน้าหรือรูปแบบใหม่ |
| ระบบแนะนำ | ใช้ตัวแทนย่อจับความชอบของผู้ใช้ |
ข้อจำกัด
- Autoencoder พื้นฐานสร้างข้อมูลใหม่ที่ไม่เคยมีมาก่อนไม่ได้ดีนัก ต้องใช้ VAE หรือแบบจำลองเชิงกำเนิดอื่น
- หากพื้นที่แฝงใหญ่เกินไป โมเดลอาจก็อปปี้ข้อมูลโดยไม่จับสาระที่เป็นประโยชน์
- ความผิดพลาดในการสร้างกลับต่ำไม่ได้แปลว่าตัวแทนย่อเหมาะกับงานอื่นเสมอไป
- ต้องระวังภาวะโอเวอร์ฟิตติ้ง หากฝึกกับข้อมูลน้อย
FAQ
Autoencoder ใช้ทำอะไร?
บีบอัดข้อมูลให้เหลือสาระสำคัญแล้วสร้างกลับ ใช้ลดมิติ ถอดสัญญาณรบกวน ตรวจความผิดปกติ และสร้างข้อมูลใหม่ด้วย VAE
Autoencoder เป็น supervised learning หรือไม่?
โดยทั่วไปไม่ใช้ป้ายกำกับ จึงจัดเป็น unsupervised หรือ self-supervised เพราะใช้ข้อมูลตัวเองเป็นเป้าหมาย
Encoder กับ Decoder ต่างกันอย่างไร?
Encoder บีบข้อมูลเป็นตัวแทนย่อ ส่วน decoder นำตัวแทนย่อนั้นสร้างกลับเป็นข้อมูลขนาดเดิม
Autoencoder กับ GAN ต่างกันอย่างไร?
Autoencoder เน้นบีบอัดและสร้างกลับให้เหมือนต้นฉบับ ส่วน GAN ใช้สองเครือข่ายแข่งขันเพื่อสร้างข้อมูลใหม่ที่สมจริง
ทำงานกับการเรียนรู้เชิงลึกอย่างไร?
Autoencoder เป็นโครงข่ายประสาทเทียมชนิดหนึ่ง จึงฝึกด้วยการปรับพารามิเตอร์ผ่านการแพร่กระจายย้อนกลับ
สรุป
- Autoencoder บีบอัดข้อมูลผ่าน encoder แล้วสร้างกลับด้วย decoder
- พื้นที่แฝงเก็บตัวแทนขนาดเล็กที่มีสาระสำคัญ
- ฝึกให้ผลสร้างกลับใกล้เคียงต้นฉบับโดยลด reconstruction error
- รูปแบบที่พบบ่อย ได้แก่ denoising autoencoder และ VAE
- ใช้ลดมิติ ถอดสัญญาณรบกวน และตรวจความผิดปกติ
- VAE สามารถสร้างข้อมูลใหม่ที่ไม่เคยมีมาก่อนได้
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free