랜덤 포레스트를 이용한 원칙적인 오토인코딩 방법을 제안한다. 비모수 통계 및 스펙트럼 그래프 이론의 기본 결과를 바탕으로 데이터의 관계를 최적으로 나타내는 모델의 저차원 임베딩을 학습한다. 제약 최적화, 분할 재라벨링 및 최근접 이웃 회귀를 통해 디코딩 문제에 대한 정확하고 근사적인 해법을 제공한다. 이러한 방법들은 압축 파이프라인을 효과적으로 반전시켜, 앙상블의 구성 트리에 의해 학습된 분할을 사용하여 임베딩 공간에서 입력 공간으로의 매핑을 설정한다. 결과적으로 생성된 디코더는 일반적인 규칙성 가정 하에서 보편적으로 일관성이 있다. 이 절차는 지도 또는 비지도 모델에서 작동하여 조건부 또는 결합 분포를 파악할 수 있게 한다. 시각화, 압축, 클러스터링 및 잡음 제거를 포함한 다양한 오토인코더의 응용 프로그램을 보여준다. 실험은 표 형식, 이미지 및 게놈 데이터를 포함한 광범위한 설정에서 이 방법의 용이성과 유용성을 보여준다.
