읽은 논문: Replace ement AutoEnceoder: A Preiverving Algorithm for Sensory Data Analysis

무슨 물건이요?

우리는 익명화된 다차원 데이터에 착안했다.주로 시간 서열의 데이터를 창틀로 설정해서 익명으로 만듭니다.
우선 데이터는 익명을 원하는 것부터 블랙,gray,white 세 가지로 나뉘는데 블랙은 익명화되어gray로 표현되어야 한다.그러나 시간 서열의 데이터가 있는 상황에서 창의 경우 블랙,gray,white가 섞여 존재하도록 규정했기 때문에 이런 상황에서 가장 비례가 많은 라벨을 사용했다.
이때 그레이의 데이터만으로 블랙을 바꾸는 것이 아니라 AutoEnceoder를 교사로 삼아 교체된 데이터를 배우게 하면 좋은 교체 학습기를 형성할 수 있다.실제로 MCNIST 데이터에 대해 블랙, 화이트, 0의gray 데이터를 실행할 때, 짝수 이미지를 줄 때 0 이미지로 되돌아오는 Replacement AE (RAE) 를 생성할 수 있다.

선행 연구와 비교하면 어디가 대단합니까?

익명으로 바꾼 점?
정말로 잘 모르겠다

기술과 기법의 관건은 어디에 있습니까?

AutoEnceoder 익명화된 점denoising autoencoder 1 를 참고하십시오.

어떻게 유효성을 검증합니까?

제3자 식별기인 HARQ를 사용해 RAE로 대체한 데이터가 먹혔고 블랙은 거의 그레이로만 인식됐음을 확인했다.

의론이 있습니까?

검증의 하나로 GAN은 가짜gray를 식별하는 식별기를 제작했는데 거의 100% 식별할 수 있다는 것을 발견했다.바꾸더라도 해석자가 가짜라는 것이 명확하면 화이트의 데이터가 드러난다.그러나 저자는 이 GAN의 제작에 원시적인 데이터가 필요하기 때문에 문제가 되지 않는다고 생각하지만, 다른 경로에서 얻은 같은 내용의 데이터로 GAN을 배우면 좋겠다고 생각해 문제라고 생각한다.

다음에 읽어야 할 논문은?

4denoising ae 읽을 수 있을지도 몰라요.

감상

저도 AE 익명화 생각이 있어서 읽었어요.그러나 나는 AE를 통해 얻은 숨겨진 층의 값이 의미가 있다고 생각하지만 필자는 AE의 출력에 착안한 것이 아니다.그러면 최종적으로 처음부터 교사에게 주는 함수로 모사본을 익명으로 사용하고 교사가 주는 함수라면 블랙을gray의 함수로 만들면 된다고 생각합니다.현재로서는 타이밍 시퀀스 데이터가 표시된 N.N.을 작성했을 뿐입니다.
또 첫 번째 익명화 당시 블랙 데이터였는지도 의문이다.그렇게 많이 알면 사라졌으면 좋겠다는 생각은 안 되나?조금이라도 데이터를 남기고 싶어도 "그건 블랙 아닌가?"무슨 뜻인지 모르겠다.
P. Vincent, H. Larochelle, Y. Bengio, and P.-A. Manzagol, “Extracting and composing robust features with denoising autoencoders,” in Proceedings of the 25th ICDM. ACM, 2008, pp. 1096–1103  ↩