Neuer Autoencoder erfasst geordnete latente Dimensionen – eine PCA-Weiterentwicklung

Autoencoder gelten seit langem als nichtlineare Erweiterung der Hauptkomponentenanalyse (PCA). Durch gezielte Regularisierung oder Anpassung des Verlustes konnten lineare Autoencoder bereits die geordneten, achsenausgerichteten Hauptkomponenten von PCA rekonstruieren.

In der nichtlinearen Variante reicht diese Vorgehensweise jedoch nicht aus: die verbleibende Varianz lässt sich nicht mehr unabhängig von der nichtlinearen Abbildung erfassen. Um dieses Problem zu lösen, hat ein neues Autoencoder-Framework die nichtlineare Regularisierung mit einer isometrischen Beschränkung kombiniert.

Die Kombination stellt eine natürliche Verallgemeinerung von PCA dar. Sie bewahrt die Vorteile der geordneten Repräsentationen und der Varianzretention und bleibt gleichzeitig leistungsfähig bei nichtlinearen Dimensionalitätsreduktionstätigkeiten.