El decoder debe retornar el doble de características del dato original

Encoder y decoder deben tener el mismo tamaño

El encoder debe ser una capa más grande

El decoder debe ser una capa más grande

Clasificación en tiempo real de datos de streaming

Predicción de series temporales a largo plazo.

Reconstrucción de datos faltantes o corruptos

Aumento de la eficiencia de los algoritmos de clasificación supervisada

Ambas transacciones (normales y fraudulentas)

Transacciones fraudulentos

Transacciones no fraudulentas

Ningún tipo de transacción

Denoising autoencoders

Sparse autoencoders

Contractive autoencoders

Undercomplete autoencoders

Muestra el resultado del entrenamiento

Visualiza las etiquetas de los datos

Permite comprimir la entrada de los datos de la red

Permite comprimir la salida de los datos de la red

Permite obtener más características con menos neuronas

Nos permite entrenar un modelo más complejo en menos tiempo

Permite entrenar modelos en los cuales el data set se encuentre desbalanceado (existen más

casos de un tipo que otro)

Usa menos capas para obtener un resultado similar a las otras arquitecturas

Realiza filtrado espacial, acumulación temporal y reconstrucción de

aprendizaje profundo.

Extraen la imagen de los datos con ruido que se les ha proporcionado mediante el aprendizaje

de una representación de este. Luego, la representación se descomprime para formar una

imagen sin ruido.

Buscar el ruido de las imágenes por cada píxel, para armar de nuevo la imagen sin ruido.

Utiliza NRD que es una biblioteca de eliminación de ruido espacio-temporal que es

independiente de las interfaces de programación de aplicaciones y está diseñada para

funcionar con pocos rayos por píxel.

Denoising autoencoders

Sparse autoencoders

Contractive autoencoders

Undercomplete autoencoders