Niektóre modele klasyfikują. Inne tworzą. Modele generatywne uczą się podstawowego rozkładu danych i mogą pobierać z niego próbki, generując nowe przykłady przypominające zbiór treningowy. Odpowiadają na pytanie, jak generowane są dane, a nie tylko jak je oznaczyć.

Klasyczne przykłady obejmują naiwne modele Bayesa i modele mieszane Gaussa. Nowoczesne podejścia opierają się na sieciach neuronowych: autoenkoderach wariacyjnych, generatywnych sieciach antagonistycznych i modelach dyfuzyjnych. Każde z nich wiąże się z kompromisem w kwestii jakości próbki, stabilności treningu i kosztów obliczeniowych.

Typowe modele generatywne

• Autoenkodery wariacyjne
• Sieci generatywne przeciwstawne
• Modele dyfuzji
• Modele autoregresyjne
• Normalizowanie przepływów

Ocena jest trudna. Wyniki prawdopodobieństwa faworyzują niektóre rodziny. Jakość wizualna faworyzuje inne. Żadna pojedyncza metryka nie odzwierciedla, czy wygenerowane próbki są przydatne, zróżnicowane i wierne rozkładowi szkoleniowemu.