Weight Decay ist eine Regularisierungstechnik, die verwendet wird, um Überanpassung (Overfitting) in neuronalen Netzen, einschließlich Autoencodern, zu verhindern. Es handelt sich dabei um eine Form der L2-Regularisierung, bei der eine Strafe (Penalty) für große Gewichte in das Verlustfunktional des Modells eingeführt wird. Konkret wird bei der Gewichtszurücknahme (Weight Decay) ein zusätzlicher Term zur Verlustfunktion hinzugefügt, der proportional zur Summe der Quadrate der Gewichte ist. Die modifizierte Verlustfunktion \(L\) sieht dann wie folgt aus: \[ L_{\text{mod}} = L_{\text{original}} + \lambda \sum_{i} w_i^2 \] Dabei ist: - \(L_{\text{original}}\) die ursprüngliche Verlustfunktion (z.B. Mean Squared Error bei Autoencodern), - \(\lambda\) der Regularisierungsparameter, der die Stärke der Regularisierung kontrolliert, - \(w_i\) die Gewichte des Modells. Durch die Minimierung dieser modifizierten Verlustfunktion werden die Gewichte des Modells dazu angehalten, kleinere Werte anzunehmen, was die Komplexität des Modells reduziert und somit das Risiko der Überanpassung verringert. Weitere Informationen zu Weight Decay und Regularisierungstechniken findest du beispielsweise hier: [Wikipedia - Regularization (mathematics)](https://de.wikipedia.org/wiki/Regularisierung_(Mathematik)).