自编码器
Parent: ai_keywords
自编码器
核心定义
自编码器（Autoencoder, AE）是一种通过无监督学习实现数据高效表征的神经网络架构。其由编码器（Encoder）将高维输入压缩为低维隐空间特征，再由解码器（Decoder）从该特征重构原始数据，训练目标是最小化输入与输出的重构误差。AE 的本质是学习恒等映射的约束变体，强制网络捕捉数据中的关键结构，从而实现降维、去噪与生成式特征学习。
关键技术点
- 瓶颈结构与特征压缩：隐层维度远小于输入层，迫使网络学习紧凑的潜在表示（latent representation）。该瓶颈机制与主成分分析（PCA）类似，但 AE 能捕获非线性流形结构，适用于复杂医学信号。
- 正则化变体：包括稀疏自编码器（通过 KL 散度或 L1 正则约束隐层激活的稀疏性）、去噪自编码器（在输入中加入噪声，学习从受损信号恢复原始信号，提升鲁棒性）及变分自编码器（VAE，引入概率隐变量，实现生成式建模）。
- 重构损失函数：连续数据常用均方误差（MSE），二值化或多分类数据常用交叉熵。损失函数的设计直接影响特征提取的质量。
- 堆叠自编码器：逐层贪婪预训练多层编码器-解码器，形成深度自编码器（Deep AE），能够逐级抽象出更高级的特征表示，广泛应用于医学影像与脑电图（EEG）特征提取。
医学/神经科学应用场景
在首都医科大学神经病学研究中，自编码器被用于基于 EEG 的癫痫发作智能监测。临床 EEG 常受眼电、肌电等伪迹干扰，传统滤波易丢失病理高频成分。研究团队采用去噪自编码器，将原始多通道 EEG 随机加入人为噪声，训练网络端到端学习“干净 EEG→加噪 EEG→重构干净 EEG”的映射。该模型不仅有效滤除非生理伪迹，还通过隐空间编码提取了癫痫放电（如棘波、尖波）的关键时空特征。随后利用该向量表示进行分类，发作检测敏感度从传统方法的 85% 提升至 94%，假阳性率降低约 40%。此外，变分自编码器被用于阿尔茨海默病早期脑结构变异表征，对 T1 加权 MRI 进行无监督隐空间建模，发现隐变量 AD 评分与海马体萎缩程度高度相关，为神经退行性疾病的生物标志物挖掘提供了新范式。
