Denoising Autoencoder (DAE) sind eine Art künstliches neuronales Netzwerk, das die Leistung anderer tiefer neuronaler Netzwerke verbessern soll, indem es den Rauschanteil in den als Eingabe verwendeten Daten reduziert. Sie sind in der Lage, Muster in Daten zu erkennen, die schwieriger zu finden sind, wenn das Signal weniger verrauscht ist. Autoencoder mit Rauschunterdrückung werden häufig in Bildverarbeitungsanwendungen eingesetzt, wo sie dazu beitragen können, das Rauschen in einem Bild zu reduzieren, indem sie mithilfe eines Lernalgorithmus unerwünschtes Rauschen erkennen und beseitigen.
Rauschunterdrückende Autoencoder werden darauf trainiert, den Unterschied zwischen ihrer Eingabe und Ausgabe zu minimieren. Dies geschieht durch die Einführung von zufälligem Rauschen in die Eingabe und die anschließende Verwendung eines Lernalgorithmus, um während des Trainingsprozesses gewünschte Merkmale und Muster in den Daten besser zu identifizieren. Durch die Reduzierung des Rauschens in der Eingabe ist der Entrauschungs-Autoencoder in der Lage, die gewünschten Merkmale und Muster besser zu identifizieren.
Im Allgemeinen werden Entrauschungs-Autoencoder verwendet, um das Rauschen in Bildverarbeitungsanwendungen wie der Bildklassifizierung, -erkennung und -wiederherstellung zu reduzieren. Weitere Anwendungen umfassen die Erkennung von Anomalien in Zeitreihendaten, die Entrauschung von Sprachsignalen und die Entrauschung von Audiosignalen.
Entrauschende Autoencoder unterscheiden sich von herkömmlichen neuronalen Netzen, die überwachte Lernmethoden verwenden. Autoencoder zur Rauschunterdrückung erfordern keine gekennzeichneten Daten, sondern verlassen sich stattdessen auf die Eingabedaten als Überwachung für das Training. Rauschunterdrückende Autoencoder sind daher unbeaufsichtigte Lernalgorithmen und in der Regel einfacher zu implementieren als herkömmliche neuronale Netze. Sie erfordern außerdem weniger Parameter und können zum Vortraining anderer neuronaler Netze verwendet werden.
Das Endergebnis der Verwendung von Autoencodern zur Rauschunterdrückung ist häufig eine bessere und genauere Darstellung der in den Daten vorhandenen Merkmale und Muster, was zu einer verbesserten Leistung der sie verwendenden neuronalen Netze führt.
