Ορισμένα μοντέλα ταξινομούν. Άλλα δημιουργούν. Τα γενετικά μοντέλα μαθαίνουν την υποκείμενη κατανομή των δεδομένων και μπορούν να λάβουν δείγματα από αυτήν, παράγοντας νέα παραδείγματα που μοιάζουν με το σύνολο εκπαίδευσης. Απαντούν στο ερώτημα του πώς παράγονται τα δεδομένα, όχι μόνο πώς να τα ονομάσουμε.

Κλασικά παραδείγματα περιλαμβάνουν αφελή μοντέλα μιγμάτων Bayes και Gauss. Οι σύγχρονες προσεγγίσεις βασίζονται σε νευρωνικά δίκτυα: παραλλαγμένους αυτοκωδικοποιητές, γενετικά ανταγωνιστικά δίκτυα και μοντέλα διάχυσης. Κάθε ένα από αυτά λαμβάνει υπόψη την ποιότητα του δείγματος, τη σταθερότητα εκπαίδευσης και το υπολογιστικό κόστος.

Κοινά γενετικά μοντέλα

• Μεταβλητοί αυτόματοι κωδικοποιητές
• Γενετικά ανταγωνιστικά δίκτυα
• Μοντέλα διάχυσης
• Αυτοπαλίνδρομα μοντέλα
• Κανονικοποίηση ροών

Η αξιολόγηση είναι δύσκολη. Οι βαθμολογίες πιθανοφάνειας ευνοούν ορισμένες οικογένειες. Η οπτική ποιότητα ευνοεί άλλες. Καμία μεμονωμένη μέτρηση δεν καταγράφει εάν τα δημιουργημένα δείγματα είναι χρήσιμα, ποικίλα και πιστά στην κατανομή εκπαίδευσης.