文献类型：期刊文章

作　　者：袁非牛[1,2] 章琳[1,3] 史劲亭[1,4] 夏雪[1] 李钢[1,5]

YUAN Fei-Niu;ZHANG Lin;SHI Jin-Ting;XIA Xue;LI Gang(School of Information Technology, Jiangxi University of Finance and Economics, Nanchang 330032;College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai 201418;School of Mathematics and Computer Science, Jiangxi Science and Technology Normal University, Nanchang 330038;Vocational School of Teachers and Technology, Jiangxi Agricultural University, Nanchang 330045;College of Mathematics and Computational Science, Yichun University, Yichun, Jiangxi 336000)

机构地区：[1]江西财经大学信息管理学院,南昌330032 [2]上海师范大学信息与机电工程学院,上海201418 [3]江西科技师范大学数学与计算机科学学院,南昌330038 [4]江西农业大学职业师范技术学院,南昌330045 [5]宜春学院数学与计算机科学学院,江西宜春336000

出　　处：《计算机学报》

基　　金：国家自然科学基金(61862029);江西省高校科技落地计划(KJLD12066);江西省教育厅科技项目(GJJ170317)资助~~

年　　份：2019

卷　　号：42

期　　号：1

起止页码：203-230

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：自编码器是深度学习中的一种非常重要的无监督学习方法,能够从大量无标签的数据中自动学习,得到蕴含在数据中的有效特征.因此,自编码方法近年来受到了广泛的关注,已成功应用于很多领域,例如数据分类、模式识别、异常检测、数据生成等.该文对传统自编码基础理论、自编码方法、改进技术以及应用领域进行了比较全面的综述.首先,该文介绍传统自编码基础理论与实现方法,分析自编码器的一般处理框架.然后,讨论现有各种改进的自编码器,分析这些方法的创新点、所要达成的目的和可能存在的问题.随后,该文介绍自编码器的实际应用领域,分析这些领域的代表性自编码算法,并详细地分析、比较和总结这些方法的特点.最后,总结现有方法存在的问题,并探讨了自编码器的将来发展趋势和可能挑战.

关 键 词：自编码器  深度学习  无监督学习 特征学习  约束  

分 类 号：TP18]