Autoencoder
오토인코더
Autoencoder는 입력을 작은 Latent Representation으로 압축한 뒤 다시 복원하도록 Encoder와 Decoder를 함께 학습합니다.
WHY SHOULD I KNOW THIS?
왜 알아야 하나?
오토인코더을 용어로만 외우지 않고 실제 시스템의 데이터 흐름과 자원·품질 트레이드오프에 연결해야 이후 설계와 문제 분석에서 원인을 추적할 수 있습니다.
WHERE IS IT USED?
어디에 사용되나?
Image GenerationRepresentation LearningSynthetic DataGenerative AI
21.03 CONCEPT VIEW
x → encoder → z → decoder → x̂
이 Topic은 이후 실제 계산/시각화 학습 시뮬레이션으로 확장됩니다.
NOISE 70% → DENOISE 30%
DIFFUSION DENOISING
xₜ → model predicts noise → xₜ₋₁
실제 Diffusion 계산이 아니라 Noise에서 구조가 복원되는 방향을 이해하기 위한 개념 시각화입니다.
실제 Diffusion 계산이 아니라 Noise에서 구조가 복원되는 방향을 이해하기 위한 개념 시각화입니다.
INTERACTIVE CONCEPT LABGENERATION LAB
CURRENT STAGE1 / 6 · Noise / Latent
x → encoder → z → decoder → x̂
노드를 클릭하거나 PLAY FLOW를 눌러 정보가 어떻게 이동하는지 단계별로 확인하세요. 슬라이더는 시각적 영향도를 조절합니다.
이 Topic에서 알아야 할 핵심
✓x → encoder → z → decoder → x̂
✓복원 오차를 줄이는 과정에서 z가 입력의 중요한 구조를 담도록 유도합니다.
✓앞 단계와 다음 단계의 연결
✓직접 조작하는 Lab에서 변화 관찰
이해 확인 질문
Q1Autoencoder의 입력과 출력은 무엇인가?
Q2오토인코더이 전체 생성 모델에서 필요한 이유는 무엇인가?
Q3관련 Parameter나 설계 선택을 바꾸면 결과에 어떤 변화가 생기는가?
CATEGORY
GENERATIVE MODELSLLM 외에도 데이터를 생성하는 주요 모델 계열의 핵심 아이디어를 비교합니다.
CURRENT PATH
21.03 Autoencoder이 Topic의 위치와 앞뒤 순서를 항상 Curriculum 기준으로 유지합니다.