Autoencoder: Mit neuronalen Netzen Auffälligkeiten erkennen

Autoencoder können Anomalien in Bildern, Zeitreihen, Audiodateien und Tabellen aufdecken. Nach etwas Training erweisen sie sich als gutes Handwerkszeug.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Lesezeit: 6 Min.
Von
  • Oliver Zeigermann
Inhaltsverzeichnis

Fehler in Bildern zu erkennen, ist für Menschen ein Leichtes, programmatisch aber oft nicht möglich. Eine manuelle Inspektion ist zeitaufwendig und teuer. Stattdessen kann man Autoencoder verwenden, eine bestimmte Art von neuronalen Netzen. Sie decken fehlerhafte Darstellungen automatisch auf und funktionieren nicht nur mit Bildern, sondern auch mit anderen Datenformaten wie Zeitreihen, Audiodateien und Tabellen.

Es gibt Verfahren, in denen eine Maschine lernt, wie eine bestimmte Situation normalerweise aussieht. Mit diesem Wissen erkennt sie, wann diese Situation eigenartig aussieht. Dafür trainiert man Autoencoder mit typischen Mustern einer bestimmten Situation. Ein typisches Muster ist zum Beispiel das Bild einer gleichmäßig befahrenen Autobahn. Untypisch ist hingegen das Bild eines brennenden Fahrzeugs, das auf der Autobahn steht.

Mehr zum Thema Machine Learning

Für das folgende Beispiel nehmen wir an, dass Autoencoder hauptsächlich mit Bildern trainieren, die eine Situation so darstellen, wie sie gewöhnlich aussieht. Innerhalb dieser Bilder können ungewöhnliche Aufnahmen dabei sein, sie dürfen aber nicht überhandnehmen. Nun versucht der Autoencoder während des Trainings, das Bild einer Situation möglichst exakt zu reproduzieren. Dafür codiert er es mit seinem Encoder und bringt es im Engpass auf eine stark reduzierte und abstrakte Form. Der Decoder muss dann lernen, daraus das Original zu reproduzieren.