Los codificadores automáticos de eliminación de ruido (DAE) son un tipo de red neuronal artificial que está diseñada para mejorar el rendimiento de otras redes neuronales profundas al reducir la cantidad de ruido presente en los datos utilizados como entrada. Son capaces de detectar patrones en los datos que son más difíciles de encontrar cuando la señal es menos ruidosa. Los codificadores automáticos de eliminación de ruido se utilizan a menudo en aplicaciones de procesamiento de imágenes, donde pueden ayudar a reducir la cantidad de ruido en una imagen mediante el uso de un algoritmo de aprendizaje para detectar y eliminar el ruido no deseado.
Los codificadores automáticos con eliminación de ruido están entrenados para minimizar la diferencia entre su entrada y salida. Esto se hace introduciendo ruido aleatorio en la entrada y luego usando un algoritmo de aprendizaje para identificar mejor las características y patrones deseados dentro de los datos durante el proceso de entrenamiento. Al reducir la cantidad de ruido en la entrada, el codificador automático de eliminación de ruido puede identificar mejor las características y patrones deseados.
En general, los codificadores automáticos con eliminación de ruido se utilizan para reducir el ruido en aplicaciones de procesamiento de imágenes, como clasificación, reconocimiento y restauración de imágenes. Otras aplicaciones incluyen la detección de anomalías en datos de series temporales, la eliminación de ruido de señales de voz y la eliminación de ruido de señales de audio.
Los codificadores automáticos de eliminación de ruido son diferentes de las redes neuronales tradicionales que utilizan métodos de aprendizaje supervisado. Los codificadores automáticos de eliminación de ruido no requieren datos etiquetados, sino que dependen de los datos de entrada como supervisión para el entrenamiento. Como tal, los codificadores automáticos de eliminación de ruido son algoritmos de aprendizaje no supervisados y, por lo general, son más fáciles de implementar que las redes neuronales tradicionales. También requieren menos parámetros y pueden usarse para entrenar previamente otras redes neuronales.
El resultado final del uso de codificadores automáticos con eliminación de ruido suele ser una representación mejor y más precisa de las características y patrones presentes en los datos, lo que conduce a un mejor rendimiento de las redes neuronales que los utilizan.
