Denoising Autoencoders (DAE) são um tipo de rede neural artificial projetada para melhorar o desempenho de outras redes neurais profundas, reduzindo a quantidade de ruído presente nos dados usados como entrada. Eles são capazes de detectar padrões em dados que são mais difíceis de encontrar quando o sinal é menos ruidoso. Os codificadores automáticos de eliminação de ruído são frequentemente usados em aplicativos de processamento de imagem, onde podem ajudar a reduzir a quantidade de ruído em uma imagem usando um algoritmo de aprendizado para detectar e eliminar ruídos indesejados.
Os autoencoders de eliminação de ruído são treinados para minimizar a diferença entre sua entrada e saída. Isso é feito introduzindo ruído aleatório na entrada e, em seguida, usando um algoritmo de aprendizado para identificar melhor os recursos e padrões desejados nos dados durante o processo de treinamento. Ao reduzir a quantidade de ruído na entrada, o autoencoder de eliminação de ruído é capaz de identificar melhor os recursos e padrões desejados.
Em geral, os autoencoders de eliminação de ruído são usados para reduzir o ruído em aplicações de processamento de imagens, como classificação, reconhecimento e restauração de imagens. Outras aplicações incluem detecção de anomalias em dados de série temporal, eliminação de ruído de sinais de fala e eliminação de ruído de sinais de áudio.
Os autoencoders de eliminação de ruído são diferentes das redes neurais tradicionais que usam métodos de aprendizagem supervisionada. Os autoencoders de eliminação de ruído não requerem dados rotulados, mas dependem dos dados de entrada como supervisão para o treinamento. Como tal, os autoencoders de eliminação de ruído são algoritmos de aprendizagem não supervisionados e normalmente são mais fáceis de implementar do que as redes neurais tradicionais. Eles também exigem menos parâmetros e podem ser usados para pré-treinar outras redes neurais.
O resultado final do uso de codificadores automáticos com eliminação de ruído costuma ser uma representação melhor e mais precisa dos recursos e padrões presentes nos dados, levando a um melhor desempenho das redes neurais que os utilizam.
