Acerca de autoencoders, julgue o próximo item. Quanto menor for a dimensão do espaço de representação latente de um autoencoder, maior será a sua capacidade de regenerar a informaç

Gabarito

Errado

Comentário do professor

A afirmação é errada porque reduzir a dimensão do espaço de representação latente normalmente cria um gargalo de informação, o que diminui a capacidade de regenerar a entrada na saída. Com menos dimensões o modelo não consegue capturar todas as variabilidades dos dados, aumentando o erro de reconstrução.

Modelos undercomplete (latente menor que a entrada) forçam compressão e extraem características relevantes, mas podem perder detalhes. Modelos overcomplete podem reconstruir quase perfeitamente e até aprender a copiar a entrada, salvo se houver regularização (p.ex. esparsidade, denoising) que impede memorização. A função de perda típica é \(L(x,\hat{x})=\|x-\hat{x}\|^2\).

Assim, menor dimensão não implica maior capacidade; há um trade‑off entre compressão e fidelidade, além de depender da arquitetura e do treinamento.