Autoencoder
Neuronale Architektur, die lernt, Eingaben in einen latenten Vektor zu komprimieren (Encoder) und daraus die Eingabe zu rekonstruieren (Decoder). Training ohne Labels.
Klassische Varianten: Denoising (Eingabe mit Rauschen verfälscht), Sparse (zusätzlicher Strafterm auf latente Einheiten), Variational (VAE — probabilistischer latenter Raum). Der latente Raum liefert den Nutzen — Visualisierung, Dimensionsreduktion, Anomalieerkennung.
Moderne Anwendung: Der VAE von Stable Diffusion komprimiert 512×512-Bilder zu 64×64-Latents, mit denen das Diffusionsmodell arbeitet. Auch Grundlage von word2vec, BERT (mit etwas gutem Willen) und Representation Learning im RL.