오토인코더의 구조와 활용 상황

오토인코더는 입력 데이터를 스스로 복원하도록 학습하는 신경망 구조이다.

입력을 한 번 압축한 뒤 다시 원래 형태에 가깝게 복원한다.

이 과정에서 데이터의 중요한 특징이 잠재 표현으로 학습된다.

---

1. 오토인코더가 적합한 상황

오토인코더는 정답이 없는 데이터에서 구조를 파악하고 싶을 때 사용된다.

입력과 동일한 출력을 목표로 하지만 단순 복사가 아니라 압축을 거치기 때문에 의미 있는 표현이 만들어진다.

• 고차원 데이터를 더 작은 차원으로 줄이고 싶을 때
• 노이즈가 섞인 데이터를 원래 형태에 가깝게 복원하고 싶을 때
• 정상 패턴을 학습해 이상 데이터를 구분하고 싶을 때
• 다른 모델에 사용할 특징 벡터를 만들고 싶을 때

즉 오토인코더는 예측보다는 표현 학습에 초점이 맞춰진 구조이다.

---

2. Encoder의 개념

Encoder는 입력 데이터를 더 작은 차원의 벡터로 변환하는 부분이다.

레이어를 거치며 차원은 점점 줄어든다.

최종적으로 만들어지는 벡터를 잠재 표현이라고 한다.

이 잠재 표현은 데이터의 핵심 정보를 담고 있다.

• 입력 → 차원 감소
• 정보 압축 역할
• 잠재 벡터 생성

---

3. Decoder의 개념

Decoder는 잠재 표현을 다시 원래 입력 형태로 복원하는 부분이다.

줄어들었던 차원은 점점 다시 커진다.

출력은 입력과 최대한 유사하도록 학습된다.

• 잠재 벡터 → 차원 증가
• 입력과 비슷한 데이터 생성

복원 오차는 잠재 표현이 얼마나 잘 학습되었는지를 보여주는 기준이 된다.

---

4. Encoder와 Decoder의 차이

구분	Encoder	Decoder
역할	입력 압축	압축 표현 복원
차원 변화	감소	증가
목적	핵심 정보 추출	입력 복원

 

---

5. 정리

오토인코더는 입력을 압축하고 다시 복원하도록 학습하는 구조이다.

Encoder는 데이터를 요약하고 Decoder는 그 요약을 바탕으로 원래 형태를 만든다.

차원 축소나 노이즈 제거 같은 문제에서 활용될 수 있다.