Análisis del desempeño de autoencoders para aprender códigos lineales binarios

Abstract

El trabajo de grado se centra en el área de las redes neuronales artificiales, más específicamente los autoencoders. Se presenta un estudio sobre la capacidad de autoencoders simétricos de aprender códigos lineales binarios. Se llevó a cabo un algoritmo para la generación de estructuras de autoencoders y sus parámetros. Se entrenaron dichas estructuras con una variedad de códigos, algunos generados de forma aleatoria y algunos códigos famosos como es el caso de los códigos de Hamming y los códigos de Golay. Para los cuales, se midió el desempeño con el binary accuracy. También se sometieron los autoencoders a codewords con errores. El desarrollo se hizo con una combinación de liberías de Python y de GAP. La evidencia muestra que los autoencoders efectivamente son capaces de aprender códigos lineales binarios, obteniendo valores de binary accuracy por encima de 80%.