Auto-Encoder
输入图片经过两个网络后，计算他们两个越接近越好。
类似于Cycle GAN。
encoder将高纬度数据降维，作为低纬度向量
假如噪声进行训练，encoder将图片中的噪声去除。
其实BERT而言，就是以后个auto-encoder。
Feature disentangle
黄色部分就是提取出来的语者的特征向量。
提取语者特征，进行辅助训练，相当于特征提取后，附加演化，进行最终输出。
discrete representation 离散分布
将encoder输出的向量进行二进制转换或者是one-hot变化。
encoder输出一系列的向量集，选取最优可能的向量进行decoder。
假如对应的中间输出不是向量的话，是文字的话，可能中间输出的就是文章的总结。将文字作为representation。
其中，中间的输出representation经过discriminator作为一种监督，将中间输入符合人为的可读性总结，如果没有的话，由于机器的学习可能导致人为看不懂。
Generator
将其中的decoder拿出来使用，作为一种generator，输入一个向量，输出一个图片。
Anomaly detection 异常检测
Anomaly detection 其它方式
不能使用简单地使用二类分类的问题，因为异常资料是不固定的。
具有label的分类器
加多一个信心分数，进行两次判断，除了分类还可以输出一个信心分数，进行作为一种阈值的判断。
对于系统判断来说，不一定正确率就是正确的，因为存在了数据集分布的不确定，应该使用的真值表进行判断异常率和正确率。将不同的正确数量和异常数量进行一种权重算法。
假如是没有label的资料的时候，只是存在x但是没有y，利用概率进行计算
使用概率的过程，使用的likelihood的方式
使用多种特征，构建多维度的分析图像，多维度的概率分布。
上面讲述的是一般模型进行设计，使用的是概率计算公式，我们也可以使用的深度学习的auto-encoder，上面讲述过了。
将图片还原和原始图像进行相似度比较，查看是不是异常类。
