Tietojen pakkaus on yksi neuroverkkojen ratkaisemista tehtävistä . Kuten mikä tahansa pakkaus , tämän ongelman ratkaisu perustuu informaatioredundanssin poistamiseen tulosignaalista (kuvasta).
Toisin kuin perinteiset pakkausmenetelmät - matemaattinen laskenta ja redundanssin poisto - hermoverkko lähtee pakkausongelmaa ratkaiseessaan resurssien puutteen huomioista. Verkon topologia ja sen oppimisalgoritmi ovat sellaisia, että korkeadimensionaalinen data on siirrettävä hermoverkon tulosta sen lähtöihin suhteellisen pienen kanavan kautta. Tällaisen pakkauksen toteuttamiseksi voidaan käyttää monikerroksista perceptronia .seuraava arkkitehtuuri: neuronien lukumäärä syöttö- ja lähtökerroksissa on sama ja sama kuin pakatun datan koko; näiden kerrosten välissä on yksi tai useampi pienempikokoinen välikerros. Välikerrosten lukumäärä määrittää datamuunnoksen monimutkaisuuden asteen. Esimerkiksi verkko, jossa on kolme välikerrosta, voi suorittaa harjoitusdatan parhaan pakkauksen, mutta voi antaa huonompia tuloksia todellisissa tilanteissa. Tämä johtuu siitä, että alkutiedoissa voi vahingossa muodostua jonkinlainen riippuvuus, jolla ei ole mitään tekemistä todellisuuden kanssa.
Verkon alkutiedot kootaan siten, että lähdöissä on aina sama signaalijoukko kuin tulolla. Toiminnan aikana virheen takaisinetenemisalgoritmi minimoi virheen. Tämä tarkoittaa, että yhteyksien painot neuronien syöttökerroksesta ja suunnilleen keskikerrokseen vaikuttavat signaalin pakkaamiseen ja loput sen purkamiseen. Käytännössä tuloksena oleva verkko on jaettu kahteen osaan. Ensimmäisen verkon lähtö lähetetään viestintäkanavan kautta ja syötetään toisen sisäänmenoon, joka suorittaa dekompression.
Toinen tapa ratkaista pakkausongelma on käyttää automaattisesti assosiatiivista muistia , kuten Hopfield-verkkoa , koska sillä on kyky palauttaa signaali vaurioituneesta kuvastaan.