如何评估用于降维的自动编码器

Question

我正在使用自动编码器作为一种降维技术，将学习到的表示用作可用于进一步分析的低维特征。

代码sn-p：

# Note: implementation --> based on keras 
encoding_dim = 32

# Define input layer
X_input = Input(shape=(X_train.shape[1],))
# Define encoder:
encoded = Dense(encoding_dim, activation='relu')(X_input)
# Define decoder:
decoded = Dense(X_train.shape[1], activation='sigmoid')(encoded)
# Create the autoencoder model
AE_model = Model(X_input, decoded)
#Compile the autoencoder model
AE_model.compile(optimizer='adam', loss='mse')
#Extract learned representation
learned_feature = Model(X_input, encoded)

history = AE_model.fit(X_train, X_train, epochs=10, batch_size=32)

我一直在寻找一种方法来衡量学习表示的质量。我发现一种方法是测量重建误差。我使用以下代码：

import math
reconstr_error = AE_model.evaluate(X_train, X_train, verbose=0)
print('The reconstruction error: %.2f MSE (%.2f RMSE)' % (reconstr_error , math.sqrt(reconstr_error )))

我得到了 0.00 MSE (0.05 RMSE) 作为结果。但是，我不确定上面的代码在测量重构误差方面是否正确？ 另外，如果有其他方法可以做到这一点，请告诉我。

Answer 1

您进行压缩的目的是什么？如果您的项目中有以下分类器模型，您可以使用正常（未输入 AE）数据来训练该模型，并查看准确性或您正在测量的任何内容。然后训练相同的模型，但在使用 AE 压缩数据之后。那么如果你也得到了比较好的结果，这意味着你正在使用自动编码器提取一些有用的东西。特别是如果您不使用所有数据来训练 AE，并查看 AE 在其训练中未看到的示例压缩将如何影响准确性。

例如，在 PCA 等其他技术中，主成分是特征向量，这些特征向量的相应特征值实际上非常有意义，它们告诉您数据中的信息在每个方向上有多少变化，就像方差一样。但是在 AE 中，尤其是 Deep 中，这样的分析并不直观，或者至少超出我的知识范围（如果存在的话）。但是在 1 层 AE 中也许你仍然可以做一些类似的事情，实际上，以 MSE 为目标的 1 层 AE 非常接近 PCA。您可以在隐藏层中提取这些权重，还可以在数据协方差矩阵上应用 PCA 或特征分解。然后计算这些隐藏层权重和特征向量之间的余弦距离，看看它是否保留了一些有意义的东西。

我不知道是否可以做更多的事情，但是如果这对您很重要，也许您可​​以找到一些论文来解决这些问题。