===== Автоэнкодер =====
 --- //[[kryukov@theory.sinp.msu.ru|Alexander Kryukov]] 21/02/2025 16:02//

Некоторые предварительные разъяснения.
  * Предлагаю использовать в качестве разметки изображений на пером этапе параметры Хилласа, т.к. 
    - они просто считаются;
    - являются интегральными характеристиками и более устойчивы к шумам. 
  * Использовать MTL подход, когда первый этап обработки один для всех задач, а вычисления конкретных параметров ШАЛ делается отдельными НС, которые, как правило, FC.

Рассмотрим следующую схему на примере определения энергии первичной частицы ШАЛ в АЧТ.

{{:ml4gamma:wdocs:ae_hillas.png?400|}}

**1. Обучение "AE"**

Изображение (img), например МК, поступает на энкодер (Enc), который переводит изображение в вектор скрытого поространства (z). Этот вектор, с помощью декодера (Dec) преобразуется в набор параметров Хилласа (h').

С другой стороны, то же самое изображение используется для получения параметров Хилласа (h) некоторой внешней программой (Hillas). Используя полученные параметры Хилласа h как разметку мы обучаем автоэнкодер (энкодер+декодер), отображающий img-->z-->h' при помощи функции потерь Loss(h,h').

**2. Определение энергии первичной частицы** \\ //(Пример)//

Вектор скрытого пространства (z) поступает на вход нейронной сети-регрессора, реализующей отображение его в значение энергии: z-->E'. Используя мета информацию разметки МК изображений (meta), а именно значение истинной энергии (E), обучаем регрессор с помощью функции потерь Loss(E,E').

**3. Определение энергии ШАЛ**

На вход энкодера (Enc) подается изображение (img), которое преобразуется в вектор скрытого пространства (z), который, в свою очередь, регрессором преобразуется в оценку значения энергии ШАЛ (E').

//Примечание. Аналогично поступаем с другими параметрами ШАЛ, такими как точка прихода и т.п., добавляя новые блоки отображения векторов скрытого пространства на нужные величины. При этом переобучения AE не требуется. То есть используетм MTL подход.//