注：这个是笔者用于期末复习的一个简单笔记，因此难以做到全面详细，有疑问欢迎大家在评论区讨论
https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/auto_v8.pptx
I. Basic Idea
简单来说，Auto Encoder就是一个Encoder+Decoder的架构。Encoder负责将图片给编码为向量，而Decoder负责将向量给解码回图片，即一个"自己生成自己"的过程。由于网络的输出仍为输入图片本身，不需要额外的标签，因此属于一种自监督的范式：
这里特别需要注意的一点是，编码成的那个向量(也被称为bottleneck)维度一般会尽可能低，以实现以低维特征表示高维数据的目的。从这个角度看，Auto Encoder也可以被视为一种降维工具，类似的降维方法还有PCA、t-SNE等。
II. Feature Disentanglement
由于AE将高维特征降维总结成了"更具代表性"的低维特征，那么这些总结后的特征便可能提取出一些可理解的信息。例如，对于图像，将其降维成若干通道后，可能有的通道便单独对应着纹理特征，而有的通道则对应着颜色特征，相当于做了个"特征解缠(disentanglement)"。据此我们便可以设计出一些很有意思的应用，例如将两张图像编码后，交换其某个通道，再重新解码，便可能实现颜色的交换。
III. More Applications
- 文档综述：将文章编码为可读的序列(即综述)，然后再解码回源文档。通过使用一个判别器来判断该综述真不真实，从而使得Auto Encoder生成的综述越来越逼近人类所写。注意这里由于涉及到了判别器，所以实质上可以认为就是一种CycleGAN了。
- VAE：VAE相比于AE而言，增加了生成图像的能力。也就是说，输入一个新采样的随机向量，VAE也能生成一张对应的真实风格图像，这就要求Encoder编码得到的向量还要服从某种分布，训练难度更高
- Anomaly Detection：将新图像输入由"正常图像"训练得到的AE，如果新图像是异常的(即不符合原图像的分布)，那么重建效果就会很差，据此实现异常检测。
- Compression：重建目标非原始图像，而是压缩过的原始图像。