Un autoencoder aprende a comprimir una entrada (por ejemplo, una imagen) en una representación mucho más chica —el “cuello de botella”— y luego a reconstruir la entrada original a partir de esa representación comprimida. El objetivo no es la reconstrucción en sí, sino forzar a la red a aprender qué características de los datos son realmente esenciales para poder recrearlos.
Usos prácticos
Se utilizan para reducción de dimensionalidad, eliminación de ruido en imágenes o audio, y detección de anomalías: si el autoencoder no logra reconstruir bien una entrada, es una señal de que esa entrada es muy distinta a los datos con los que fue entrenado.