Architekturen, die Repräsentationen für Datensätze lernen und zwei Hauptkomponenten umfassen: einen Encoder, der Eingaben in einen latenten Raum transformiert, und einen Decoder, der diese Zwischendarstellung in die Ausgaben transformiert. Zusätzliche Komponenten verarbeiten Daten oder Einbettungen in den Eingabe-, Latent- oder Ausgaberäumen weiter. Autoencoder lernen, die ursprüngliche Repräsentation zu rekonstruieren.
Typische Beispiele für solche neuronalen Netzmodelle sind: stochastische Autoencoder [Stochastic Autoencoders, SAE], entrauschende Autoencoder [Denoising Autoencoders, DAE], kontrahierende Autoencoder [Contractive Autoencoders, CAE], Variational Autoencoders [VAE], Leiternetze [Ladder Networks], Faltungs-Entfaltungs-Netze [Convolution-Deconvolution Networks].