12 VAE GAN

Autoencoder: Autoencoder sind Neuronal Netzwerke und bestehen aus Encoder, Latenter Raum und Decorder

• Input codieren

• anschließend Decodieren

—> Daten können kondensiert werden, damit Rauschen verhindern, Anomalien erkennen

• Erhalten Input: wird an nachfolgende Schichten mit weniger Neuronen weitergegeben

• Selber Datensatz muss von weniger Neuronen repräsentiert werden, nur wichtigste Infos bleiben erhalten

• Ziel: durch Einschränkungen der Mittelschicht neue Informationen zu generieren, sodass am Ende trotzdem der gleiche Output reproduziert werden kann

Kurze Antwort:

• Erkennen von Anomalien und Störsignalen in Produktionsdaten

• Reduktion der Datenkomplexität (hochdimensionalität) und -rauschen

Lösungsansatz durch Autoencoder:

• Datenkondensierung

• Anomalieerkennung

• Noise Reduction

• Autoencoder reduzieren die Dimensionalität von Daten für eine effizientere Weiterverarbeitung.

• Prozess:

  • Ausgang: Mehrdimensionale Daten mit komplexen Merkmalen (z.B. diverse Farbnuancen und Strukturen eines Baumes).

  • Autoencoder-Kompression: Extraktion wesentlicher Merkmale (z.B. Baum mit grüner Krone und braunem Stamm).

  • Ergebnis: Vereinfachter, dimensionenreduzierter Datensatz, welcher die Grundform und Farbe eines Baumes beibehält, ohne Detailnuancen.

Unterschiede zu CNNs:

• Keine gelabelten Daten benötigt, es wird komprimierte Darstellung gefunden

• Aufbau NN: Autoencoder = Flaschenhals/Verengung; CNN = kann gleiche Dimension über alle Layer haben

• Anwendungsgebiete: Autoencoder: rekonstruieren + extrahieren; CNN = klassifizieren

Kurze Antwort:

• Autoencoder: Neuronale Netze bestehend aus Encoder, latenter Raum, Decoder.

• Funktion: Codieren Input, reduzieren Dimension im latenten Raum, rekonstruieren Output.

• Datenkompression: Für effizienteres Feature-Engineering und relevantere Datenvisualisierung.

Relevanz in der Produktion:

• Fokussierung auf einflussreichere Variablen

• Verarbeitung komprimierter, effizienterer Datensätze

• Bessere Modelltrainings und Visualisierungsergebnisse.

Datenkompression: effizientere und komprimierte Darstellung der Inputdaten

-> Produktion: Einsatz für Feature Engineering und Visualisierung relevanter Daten (es sind nicht alle Variablen und Daten gleich relevant)

Variantional Autoencoder VAE

Kurze Antwort:

• Klassischer Autoencoder: Gleicher Input liefert identischen Output; nicht für Datengenerierung geeignet.

• VAE: Probabilistische Erweiterung, erzeugt eine Verteilung im latenten Raum.

• Nutzen des VAE: Verbesserte Generalisierung durch Einbezug von Stochastik; kleine Änderungen in der latenten Darstellung beeinflussen die Rekonstruktion nicht stark; ermöglicht die Generierung neuer, ähnlicher Daten.

Generative Adversarial Networks

Erzeugung von fotorealistischen Bildern von nicht existierenden Personen

Generator = Künstler: erzeugt neue Daten, die echten Daten ähneln, indem er aus vorhandenen Daten lernt und versucht, sie nachzuahmen

Diskriminator = Kritiker: unterscheidet zwischen echten und generierten Daten, indem er die Authentizität der Daten bewertet und dem Generator Feedback gibt

—> Generator versucht, den Diskriminator durch Generierung realistischer, dem Trainingsdatensatz entsprechender, Daten zu überlisten

• GANs: Bestehen aus zwei neuronalen Netzen, dem Generator und dem Diskriminator.

• Funktion: Generator erzeugt neue Daten; Diskriminator bewertet, ob Daten echt oder gefälscht sind.

• Prozess: Sie arbeiten in einem Nullsummenspiel, um den Generator zu trainieren, überzeugendere Daten zu produzieren.

Stichpunktartige Kurzantwort:

• Iteratives Training von Generator und Diskriminator.

• Generator erschafft Bilder, Diskriminator bewertet sie.

• Ziel des Generators: Täuschend echte Bilder.

• Ziel des Diskriminators: Echte von generierten Bildern unterscheiden.

• Durch Wettbewerb kontinuierliche Verbesserung beider Netzwerke.