笔记(总结)-自编码器（Autoencoders）

AE

自编码器（下简记为AE）为一类特殊的神经网络，该网络输入维度等于输出维度，通过网络隐层的复杂神经元结构，尝试学习数据的内在特征（pattern），从而达到特征提取、数据降维、生成新数据等多种目的。

简单的AE和MLP类似，except输入维度等于输出维度。此时输入数据的标签即为自身，模型的损失函数cost=cost(output, input)，用来评估输出是否很好地重新构建了输入。

AE训练完毕后，取某隐层输出h，该隐层含k个神经元。则h相当于由输入提取出的k维特征。若输入为3维，隐层为2维，则相当于将三维数据映射到了二维平面，效果相当于PCA！

通过增加隐层可以得到stacked AE，此时模型具有更强的表示能力，能对数据特征进行更强有力的挖掘。通常AE取对称结构，此时可取最中间层（图中Codings）作为提取的特征。对称结构带来的另一个好处是可以让相对应的两层共享权值，减少参数的数量同时减少了过拟合的风险（如图中hidden3-outputs的权值可等于inputs-hidden1的权值）。

当AE层数较多、表示能力过强时，可能导致AE在“复现”数据而不是挖掘数据特征。如上图所示，inputs-hidden1-hidden2可能以某种方式e.g.A->B->C变换了输入，而hidden2-hidden3-outputs可能以逆向的变换还原得到输出即C->B->A。这样AE相当于进行了两次截然相反的工作（也可称之为“过拟合”），对于特征发掘没有任何意义。

---

DAE（降噪自编码器）

为了解决上述问题，可以通过对输入添加噪声，让AE尽力恢复原始的、无噪声的输入，此时AE只有学习到数据内在特征的表示才能很好地完成任务。可以通过对输入添加Gaussian Noise或采取Dropout的方式添加噪声。如下图所示：

---

在近期参加的kaggle赛题kaggle-Porto Seguro’s Safe Driver Prediction中，赛后第一名公布的解法中就用到了DAE。该题目给出的数据中对feature进行了脱敏处理（类似于feature1、feature2），使得参赛选手无法知道feature的实际意义，从而使得EDA过程十分艰难。许多选手花了大力气来挖掘数据之间的关系，甚至对所有数据进行简单四则运算得到新的feature……都收效甚微，侥幸发掘一些新的feature对结果有提升，却也由于脱敏的属性无法进行解释。

这种类似于瞎蒙的方法不正和神经网络的黑盒哲学很相似吗？！在本学习算法课上，卜东波老师曾经说过：“我曾经很看不上神经网络，认为它是黑盒模型，解释性太差。可是后来发现，一些人力很难完成的dirty的work，交给神经网络去做，却能取得意想不到的效果。”

本题中，与其依靠人为的无方向性地构造特征，进行试错。不如将特征的挖掘交给神经网络，由网络自动学习出数据内在的特征，对数据进行重新组织表示。第一名的做法中只是简单地对数据进行了一些处理，便将其feed到了多层的DAEs中，通过DAEs提取到的特征，训练后续的NN模型，从而得到了近乎碾压性的成绩。

值得一提的是：

• 由于本次比赛的数据中有类别型数据、数值型数据、二值类数据，feature之间的scale是大不相同的，DAE中使用Gaussian Noise意义不大。第一名提出了“swap noise”的概念，即交换数据行之间的某些属性列，得到新的数据行作为噪声。
• 在选取特征时也采取了两种方法：1、取最中间隐层的输出作为新的特征。2、取所有隐层的输出作为新的特征。
• 作者的模型中，单层神经元数达到了数千，即使在有GPU的条件下训练时间也达到了数小时。不禁提醒我们，在实际运用中DAE要达到较好的拟合效果，数据集较大时，需要的计算资源是不菲的。

以后在比赛中，特征工程遇到瓶颈时，可以考虑使用AE。黑盒模型很可能具有人力难以企及的“观察力”。