Beberapa model mengklasifikasikan. Yang lain menciptakan. Model generatif mempelajari distribusi data yang mendasarinya dan dapat mengambil sampel darinya, menghasilkan contoh baru yang menyerupai himpunan data pelatihan. Mereka menjawab pertanyaan tentang bagaimana data dihasilkan, bukan hanya bagaimana cara memberi label pada data tersebut.

Contoh klasik meliputi Naive Bayes dan model campuran Gaussian. Pendekatan modern mengandalkan jaringan saraf: autoencoder variasional, jaringan adversarial generatif, dan model difusi. Masing-masing memiliki kelemahan berupa kualitas sampel, stabilitas pelatihan, dan biaya komputasi.

Model generatif umum

• Autoencoder variasional
• Jaringan adversarial generatif
• Model difusi
• Model autoregresif
• Menormalisasi aliran

Evaluasi itu sulit. Skor kemungkinan menguntungkan beberapa keluarga. Kualitas visual menguntungkan yang lain. Tidak ada satu metrik pun yang dapat menangkap apakah sampel yang dihasilkan bermanfaat, beragam, dan sesuai dengan distribusi pelatihan.