1- مقایسه عملکرد رمزگذارهای خودکار و شبکههای عصبی کانولوشنال (CNN) دشوار است، زیرا عملکرد هر دو به کار خاص و معماری مورد استفاده بستگی دارد. به طور کلی، CNN ها برای کارهای طبقه بندی تصویر مناسب تر هستند، در حالی که رمزگذارهای خودکار برای کارهای کاهش ابعاد و تشخیص ناهنجاری مناسب تر هستند. هم رمزگذارهای خودکار و هم CNN ها را می توان با هم ترکیب کرد تا معماری های ترکیبی ایجاد کند که نقاط قوت هر دو روش را دارند و در چنین مواردی، عملکرد به نحوه ترکیب آنها بستگی دارد.
2- رمزگذارهای خودکار به طور گسترده در موضوعات مختلف استفاده می شوند، از جمله:
فشرده سازی تصویر و ویدئو
کاهش ابعاد
تشخیص ناهنجاری
حذف نویز تصویر
تولید داده (مانند تولید تصاویر یا ویدیوهای جدید)
3 -محدودیت های رمزگذار خودکار عبارتند از:
زمان آموزش: آموزش رمزگذارهای خودکار می تواند از نظر محاسباتی پر هزینه باشد، به خصوص برای مجموعه داده های بزرگ یا معماری های پیچیده.
Autoencoder ها بیش از حد مستعد Overfitting هستند، به این معنی که آنها می توانند داده های آموزشی را خیلی خوب یاد بگیرند و در داده های جدید و دیده نشده ضعیف عمل کنند.
فضای پنهان: نمایشی که توسط رمزگذار خودکار در فضای پنهان آموخته میشود، گاهی اوقات میتواند به سختی تفسیر شود و ممکن است ساختار معنیدار دادهها را نشان ندهد.