انواع اتوانکدرها _Part2

ادامه پست انواع اتوانکدر
۲.۲. قیود کم‌تراکم (Sparsity Constraint)
برای اعمال کم‌تراکم، معمولاً از یکی از روش‌های زیر استفاده می‌شود:

 مجازات L1 (L1 Regularization): افزودن مقدار L1-norm به تابع هزینه برای تشویق فعال شدن تعداد محدودی از نورون‌ها

 مجازات KL-Divergence: مقایسه توزیع خروجی نورون‌های نهان با یک توزیع هدف کم‌تراکم.

۲.۳. کاربردها
استخراج ویژگی‌های مهم از داده‌های تصویری و متنی
 تشخیص ناهنجاری‌ها در داده‌های پزشکی، مالی و امنیت سایبری
کاهش ابعاد داده‌ها با حفظ ویژگی‌های مهم

انواع اتوانکدرها _Part1

اتوانکدرها بسته به نوع کاربرد و نحوه پردازش داده‌ها به دسته‌های مختلفی تقسیم می‌شوند: 

1.اتوانکدر کلاسیک (Vanilla Autoencoder)

۱.۱. تعریف و ساختار

اتوانکدر کلاسیک ساده‌ترین نوع Autoencoder است که تنها از یک رمزگذار (Encoder) و یک رمزگشا (Decoder) تشکیل شده است. هدف آن یادگیری نمایش فشرده از داده‌ها و سپس بازسازی آن‌ها است. در این مدل، خروجی رمزگذار مستقیماً به رمزگشا داده می‌شود و تابع هزینه خطای بازسازی (Reconstruction Error) را کمینه می‌کند.

۱.۲. تابع هزینه

تابع هزینه در این مدل معمولاً بر اساس میانگین مربعات خطا (MSE: Mean Squared Error) یا تابع کراس آنتروپی (Binary Cross-Entropy Loss) تنظیم می‌شود.

مفهوم اتوانکدر

۱.  مفهوم اتوانکدر در یادگیری عمیق

اتوانکدر (Autoencoder) یک شبکه عصبی مصنوعی غیرنظارتی است که برای یادگیری ویژگی‌های مهم داده‌ها، کاهش ابعاد و بازسازی داده‌های ورودی استفاده می‌شود. این مدل متشکل از دو بخش است:

1. رمزگذار (Encoder): ورودی را دریافت کرده و به یک نمایش فشرده در فضای نهان (Latent Space) تبدیل می‌کند.
2. رمزگشا (Decoder): نمایش فشرده را مجدداً به فضای اصلی بازمی‌گرداند و داده اولیه را بازسازی می‌کند.

این معماری به‌طور گسترده در بینایی کامپیوتری، پردازش سیگنال، کاهش نویز، تشخیص ناهنجاری و بازسازی داده‌ها مورد استفاده قرار می‌گیرد.

... Article_3:Cyber Security Intrusion Detection for Agriculture 4.0: Machine

Cyber Security Intrusion Detection for Agriculture 4.0: Machine Learning-Based Solutions, Datasets, and Future Directions

 

3.1. Research Objective

This paper focuses on machine learning-based anomaly detection in cybersecurity, but its techniques are applicable to image forgery detection as well. It examines ML models for detecting anomalies in digital security data and how they can be applied to image forgery analysis

Article_2:Image Forgery Detection: A Survey of Recent Deep-Learning Approaches_Part2

ادامه پست معرفی مقاله Image Forgery Detection: A Survey of Recent Deep-Learning Approaches

۲.۳. مزایا و محدودیت‌ها

مزایا:
 مقایسه کامل و جامع بین روش‌های کلاسیک و یادگیری عمیق.
 بررسی نقاط قوت و ضعف هر روش در انواع مختلف جعل.

محدودیت‌ها:
 داده‌های آزمایشی این مقاله به اندازه مقالات دیگر جامع نیست.

مقاله به روش‌های ترکیبی یادگیری ماشین و یادگیری عمیق کمتر پرداخته است.