Metodologie di training per reti neurali di tipo autoencoder

L’obiettivo di questa tesi è stato quello di sperimentare nuove metodologie di training per le reti neurali di tipo autoencoder, delle reti addestrate per ricostruire in output gli stessi dati di input. Una nuova metodologia è stata introdotta modificando gli autoencoder inclusi in una baseline realizzata ad-hoc per questo lavoro di tesi. Essa consiste nel voler addestrare la rete a ricostruire un'immagine diversa da quella di input ma appartenente alla medesima classe. I risultati ottenuti, a discapito di una minore precisione della classificazione, presentano un comportamento “anomalo” nella ricostruzione degli output. Questi interessanti risultati hanno dato spazio ad ulteriori sperimentazioni che, come nel caso del classificatore di Mahalanobis, hanno dimostrato una maggiore efficienza nell’apprendere delle caratteristiche proprie di ogni classe del dataset MNIST. Infine è stata realizzata una sorta di rete di “merging” delle classificazioni effettuate dalle due tipologie di reti. La nuova classificazione ottenuta è risultata più precisa rispetto ad entrambe le precedenti. In generale i risultati ottenuti sono stati molto interessanti ed hanno dimostrato che la nuova metodologia adottata apre le porte a diverse sperimentazioni atte alla valorizzazione delle caratteristiche così apprese.