研究 ， 才 得以 有 顯著 的 進展 。 接受 CIFAR 援助 二 年 後 的 二○○ 六 年 ， 辛頓 教授 們 的 專案 開發出 了 名為 自 編碼器 （ autoencoder ） 的 手法 。 自 編碼器 是 指 ， 在 類 神經 網路 的 輸入 層 和 輸出層 使用 相同 資料 ， 並 將 隱藏層 設置 於 二 者 之間 ， 藉 此 用來 調整 類 神經 網路 之間 的 權重 參數 的 一 種 手法 。 隱藏層 是 由 數量 少於 輸入 層 和 輸出層 的 人工 神經 元 所 組成 。 因此 就算 資訊 在 隱藏層 一度 被 壓縮 ， 只要 有 辦法 設定 類 神經 網路 內部 的 參數 ， 讓 與 輸入 層 相同 的 資訊 傳遞到 輸出層 ， 這 個 類 神經 網路 便 能 準確 掌握到 輸入 資料 的 特徵 。 這 也 意味 著 ， 以往 的 機器 學習法 必須 靠 人類 抽取出 特徵 的 作業 ， 類 神經 網路 自身 已經 能夠 辦到 了 。 自 編碼器 可 說 是 類 神經 網路 實現 手法 的 一 大 突破 。 利用 以 自 編碼器 所 獲得 的 類 神經 網路 權重 參數值 進行 初始化 後 ， 便 能 應用 「 誤差