人工ニューラルネットワークにおける可逆性により、出力をもとに入力を再構成することが可能となる。本研究では、任意のニューラルネットワークにおいて可逆性を近似的に実現する手法として「特徴量アライメント（feature alignment）」を提案する。この手法では、データポイントの出力とランダムな入力に対するランダムな出力との間の距離を最小化するようにネットワークを学習させる。我々は、MNIST、CIFAR-10、CelebA、STL-10 の各画像データセットにこの手法を適用した。その結果、デコーダを用いずに、潜在表現（latent representation）から元の画像を概ね再構成できることを示した。さらに、変分自己符号化器（variational autoencoders）の定式化を活用することで、学習データと統計的に同等な新しい画像を生成可能であることを実証した。また、生成器（generator）と識別器（discriminator）を組み合わせることで、生成画像の品質をさらに向上させることも可能であることを示した。さらに、本手法はわずかな修正を加えることで、局所的なネットワーク学習（local training）にも応用可能であることを示しており、計算メモリリソースの節約が期待できる。