[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,95 +1,255 @@
|
||||
---
|
||||
id: wiki-2026-0508-auto-encoding
|
||||
title: Auto Encoding
|
||||
title: Auto-Encoding
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AUEN-001]
|
||||
aliases: [autoencoder, AE, VAE, denoising AE, masked autoencoder, MAE, latent space, bottleneck]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, auto-encoding, unSupervised-Learning, dimenstionality-reduction, neural-networks, feature-extraction]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [autoencoder, vae, mae, dimensionality-reduction, anomaly-detection, generative, self-supervised, representation-learning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: PyTorch / Diffusers / TensorFlow
|
||||
---
|
||||
|
||||
# [[Auto-Encoding|Auto-Encoding]]
|
||||
# Auto-Encoding
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정보의 다이어트와 복원: 방대한 데이터의 핵심만을 뽑아 작은 병목(Latent Space)에 압축한 뒤, 다시 원래대로 복원하는 과정을 통해 데이터의 본질적인 특징을 스스로 학습하는 인공지능의 자기 교육법."
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 information diet + restore"**. 매 input → 매 bottleneck (latent) → 매 input 의 reconstruct. 매 unsupervised representation. 매 PCA 의 deep version. 매 modern generative (Stable Diffusion VAE) / self-supervised (MAE) 의 backbone.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
오토인코딩(Auto-Encoding)은 입력 데이터를 출력 데이터로 복제하는 것을 목표로 하는 비지도 학습(Unsupervised Learning) 신경망 구조입니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **구조와 원리**:
|
||||
* **Encoder**: 입력을 저차원 벡터(Latent code/Bottleneck)로 압축.
|
||||
* **Bottleneck**: 가장 중요한 요약 정보만 남는 층. 불필요한 노이즈가 제거됨.
|
||||
* **Decoder**: 압축된 정보를 사용하여 원래의 입력을 최대한 똑같이 재구성.
|
||||
2. **용도**:
|
||||
* **Feature Extraction**: 데이터의 핵심 특징만 뽑아내기.
|
||||
* **Dimensionality Reduction**: 고차원 데이터를 다루기 쉬운 저차원으로 변환 (PCA의 딥러닝 버전).
|
||||
* **Denoising**: 오염된 이미지에서 노이즈를 제거하고 깨끗하게 복원.
|
||||
* **Anomaly Detection**: 정상 데이터로 학습된 오토인코더가 복원에 실패하는 데이터는 '이상치'로 간주.
|
||||
### 매 architecture
|
||||
- **Encoder**: 매 high-dim → 매 low-dim latent.
|
||||
- **Bottleneck**: 매 compressed representation.
|
||||
- **Decoder**: 매 latent → 매 input reconstruct.
|
||||
- 매 loss: 매 reconstruction error.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '데이터 복제' 정책에 머물렀으나, 현대의 생성 AI 정책은 잠재 공간을 창조적으로 조작하여 새로운 데이터를 뽑아내는 'Variational Autoencoder (VAE) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 효율적인 데이터 전송 정책을 위해, 무거운 원본 데이터 대신 오토인코딩된 핵심 벡터만 보내고 수신측에서 디코딩하는 '지능형 압축 정책'이 차세대 스트리밍 및 통신 표준으로 탐구됨.
|
||||
### 매 variant
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]], [[Anomaly-Detection|Anomaly-Detection]], Pattern Recognition, Deep Learning, [[Visual-Effects-VFX|Visual-Effects-VFX]]
|
||||
- **Modern Tech/Tools**: ConvAutoEncoder, [[BERT|BERT]] (Masked Autoencoder), Image compression AI.
|
||||
---
|
||||
#### Vanilla AE
|
||||
- 매 deterministic encoder.
|
||||
- 매 simple MSE.
|
||||
- 매 representation OK 가, 매 generation 의 weak.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### Denoising AE (Vincent 2008)
|
||||
- 매 input + noise → 매 clean output.
|
||||
- 매 robustness 향상.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Sparse AE
|
||||
- 매 latent activation 의 sparsity penalty.
|
||||
- 매 interpretable feature.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### Variational AE (VAE, Kingma 2013)
|
||||
- 매 encoder = 매 distribution (μ, σ).
|
||||
- 매 reparameterization trick.
|
||||
- 매 ELBO loss = reconstruction - KL(q || prior).
|
||||
- 매 generation 의 enable.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
#### β-VAE (Higgins 2017)
|
||||
- 매 KL term 의 weight β.
|
||||
- 매 disentanglement.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
#### Vector Quantized VAE (VQ-VAE)
|
||||
- 매 discrete latent (codebook).
|
||||
- 매 DALL-E, 매 Stable Diffusion latent.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
#### Masked Autoencoder (MAE, He 2021)
|
||||
- 매 75% patch 의 mask.
|
||||
- 매 reconstruct 만 의 self-supervised.
|
||||
- 매 ViT 의 best pretraining.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
#### Adversarial AE (AAE)
|
||||
- 매 GAN 의 latent prior 의 enforce.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### 매 응용
|
||||
1. **Dimensionality reduction**: 매 PCA 의 nonlinear.
|
||||
2. **Denoising**: 매 image / audio cleanup.
|
||||
3. **Anomaly detection**: 매 reconstruction error 의 high.
|
||||
4. **Generative model**: VAE → image / molecule.
|
||||
5. **Pretraining**: MAE → ViT downstream.
|
||||
6. **Compression**: 매 neural codec.
|
||||
7. **Recommender system**: 매 user / item embedding.
|
||||
8. **Style transfer**: 매 latent manipulation.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### 매 bottleneck design
|
||||
- **Linear**: 매 PCA-equivalent.
|
||||
- **Nonlinear (deep)**: 매 manifold capture.
|
||||
- **Discrete (VQ)**: 매 codebook.
|
||||
- **Hierarchical** (NVAE, VQ-VAE-2): 매 multi-scale.
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
### 매 modern critical
|
||||
- **Stable Diffusion**: 매 VAE 의 8× compress (HxWx3 → H/8 × W/8 × 4).
|
||||
- **DALL-E 1**: 매 dVAE.
|
||||
- **Whisper**: 매 mel encoder.
|
||||
- **MAE**: 매 ViT-Huge 의 pretrain.
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
## 💻 패턴
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### Vanilla AE (PyTorch)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
|
||||
class AutoEncoder(nn.Module):
|
||||
def __init__(self, input_dim=784, latent_dim=32):
|
||||
super().__init__()
|
||||
self.encoder = nn.Sequential(
|
||||
nn.Linear(input_dim, 256), nn.ReLU(),
|
||||
nn.Linear(256, 64), nn.ReLU(),
|
||||
nn.Linear(64, latent_dim),
|
||||
)
|
||||
self.decoder = nn.Sequential(
|
||||
nn.Linear(latent_dim, 64), nn.ReLU(),
|
||||
nn.Linear(64, 256), nn.ReLU(),
|
||||
nn.Linear(256, input_dim), nn.Sigmoid(),
|
||||
)
|
||||
|
||||
def forward(self, x):
|
||||
z = self.encoder(x)
|
||||
return self.decoder(z), z
|
||||
|
||||
# Train
|
||||
loss = ((x_recon - x)**2).mean()
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### VAE
|
||||
```python
|
||||
class VAE(nn.Module):
|
||||
def __init__(self, input_dim=784, latent_dim=32):
|
||||
super().__init__()
|
||||
self.enc = nn.Sequential(nn.Linear(input_dim, 256), nn.ReLU())
|
||||
self.fc_mu = nn.Linear(256, latent_dim)
|
||||
self.fc_logvar = nn.Linear(256, latent_dim)
|
||||
self.dec = nn.Sequential(
|
||||
nn.Linear(latent_dim, 256), nn.ReLU(),
|
||||
nn.Linear(256, input_dim), nn.Sigmoid(),
|
||||
)
|
||||
|
||||
def reparameterize(self, mu, logvar):
|
||||
std = torch.exp(0.5 * logvar)
|
||||
eps = torch.randn_like(std)
|
||||
return mu + eps * std
|
||||
|
||||
def forward(self, x):
|
||||
h = self.enc(x)
|
||||
mu, logvar = self.fc_mu(h), self.fc_logvar(h)
|
||||
z = self.reparameterize(mu, logvar)
|
||||
return self.dec(z), mu, logvar
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def vae_loss(x, x_recon, mu, logvar, beta=1.0):
|
||||
recon = F.binary_cross_entropy(x_recon, x, reduction='sum')
|
||||
kl = -0.5 * torch.sum(1 + logvar - mu**2 - logvar.exp())
|
||||
return recon + beta * kl
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Denoising AE
|
||||
```python
|
||||
def train_denoising(model, x):
|
||||
noise = torch.randn_like(x) * 0.3
|
||||
x_noisy = x + noise
|
||||
x_recon = model(x_noisy)
|
||||
return ((x_recon - x)**2).mean()
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### MAE (vision)
|
||||
```python
|
||||
# 매 He et al. 2021 의 simplified
|
||||
def mae_forward(image, encoder, decoder, mask_ratio=0.75):
|
||||
# 매 patch 의 split
|
||||
patches = image_to_patches(image, patch_size=16)
|
||||
|
||||
# 매 75% mask
|
||||
n_visible = int(len(patches) * (1 - mask_ratio))
|
||||
visible_idx = torch.randperm(len(patches))[:n_visible]
|
||||
visible = patches[visible_idx]
|
||||
|
||||
# 매 visible 만 의 encode
|
||||
encoded = encoder(visible)
|
||||
|
||||
# 매 mask token 의 add
|
||||
full = insert_mask_tokens(encoded, visible_idx, total=len(patches))
|
||||
|
||||
# 매 reconstruct
|
||||
return decoder(full)
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
# 매 loss = 매 masked patch 만
|
||||
loss = ((reconstructed[masked] - original[masked])**2).mean()
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Anomaly detection
|
||||
```python
|
||||
def detect_anomaly(model, x, threshold):
|
||||
x_recon, _ = model(x)
|
||||
error = ((x_recon - x)**2).mean(dim=tuple(range(1, x.dim())))
|
||||
return error > threshold
|
||||
|
||||
# 매 normal data 만 train → 매 anomaly = 매 high reconstruction error
|
||||
```
|
||||
|
||||
### Stable Diffusion VAE (latent)
|
||||
```python
|
||||
from diffusers import AutoencoderKL
|
||||
|
||||
vae = AutoencoderKL.from_pretrained('runwayml/stable-diffusion-v1-5', subfolder='vae')
|
||||
|
||||
# 매 image (512x512x3) → 매 latent (64x64x4) — 매 8× compress
|
||||
latent = vae.encode(image).latent_dist.sample() * 0.18215
|
||||
|
||||
# 매 latent → 매 image
|
||||
image_recon = vae.decode(latent / 0.18215).sample
|
||||
```
|
||||
|
||||
### β-VAE (disentangle)
|
||||
```python
|
||||
# 매 β > 1 → 매 disentanglement ↑, 매 reconstruction ↓
|
||||
loss = recon + beta * kl # 매 β = 4 ~ 10
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 응용 | Variant |
|
||||
|---|---|
|
||||
| Dimensionality reduce | Vanilla AE |
|
||||
| Denoising | Denoising AE |
|
||||
| Generation | VAE / VQ-VAE |
|
||||
| Disentanglement | β-VAE |
|
||||
| Self-supervised vision | MAE |
|
||||
| Latent diffusion | VAE (continuous) / VQ-VAE (discrete) |
|
||||
| Anomaly | Vanilla AE + reconstruction error |
|
||||
| Compression | Neural codec (rate-distortion) |
|
||||
|
||||
**기본값**: Task-specific. 매 representation = AE. 매 generative = VAE. 매 vision pretrain = MAE.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Unsupervised-Learning]] · [[Representation-Learning]] · [[Generative-Models]]
|
||||
- 변형: [[VAE]] · [[VQ-VAE]] · [[β-VAE]] · [[MAE]] · [[Denoising-AE]] · [[Sparse-AE]]
|
||||
- 응용: [[Anomaly-Detection]] · [[Stable-Diffusion]] · [[DALL-E]] · [[Self-Supervised-Learning]]
|
||||
- Adjacent: [[PCA]] · [[GAN]] · [[Diffusion-Model]] · [[Latent-Space]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 representation learning. 매 anomaly detection. 매 generative latent. 매 vision pretrain.
|
||||
**언제 X**: 매 supervised learning 의 sufficient. 매 highly structured data (graph 의 GNN).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Identity map** (no bottleneck): 매 useless.
|
||||
- **VAE 의 mode collapse**: 매 KL term 의 over-strong.
|
||||
- **β-VAE 의 too high β**: 매 reconstruction 의 destroy.
|
||||
- **MAE 의 low mask ratio**: 매 trivial.
|
||||
- **Anomaly 의 train on mixed**: 매 anomaly 의 included.
|
||||
- **Latent dim 의 too large**: 매 overfit.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Hinton AE, Kingma VAE, He MAE, Stable Diffusion).
|
||||
- 신뢰도 A.
|
||||
- Related: [[VAE]] · [[MAE]] · [[Stable-Diffusion]] · [[Anomaly-Detection]] · [[Self-Supervised-Learning]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — variant + 매 PyTorch code (AE, VAE, MAE, anomaly, SD VAE) |
|
||||
|
||||
Reference in New Issue
Block a user