Algunos modelos clasifican. Otros crean. Los modelos generativos aprenden la distribución subyacente de los datos y pueden muestrear a partir de ella, produciendo nuevos ejemplos que se asemejan al conjunto de entrenamiento. Responden a la pregunta de cómo se generan los datos, no solo de cómo etiquetarlos.

Entre los ejemplos clásicos se incluyen el clasificador bayesiano ingenuo y los modelos de mezcla gaussiana. Los enfoques modernos se basan en redes neuronales: autoencoders variacionales, redes generativas antagónicas y modelos de difusión. Cada uno presenta un compromiso entre la calidad de la muestra, la estabilidad del entrenamiento y el coste computacional.

Modelos generativos comunes

• Autoencoders variacionales
• redes generativas antagónicas
• Modelos de difusión
• Modelos autorregresivos
• Flujos de normalización

La evaluación es difícil. Las puntuaciones de probabilidad favorecen a algunas familias. La calidad visual favorece a otras. Ninguna métrica por sí sola permite determinar si las muestras generadas son útiles, diversas y fieles a la distribución de entrenamiento.