Alguns modelos classificam. Outros criam. Os modelos generativos aprendem a distribuição subjacente dos dados e podem fazer amostragens a partir da mesma, produzindo novos exemplos que se assemelham ao conjunto de treino. Respondem à questão de como os dados são gerados, e não apenas como os rotular.

Exemplos clássicos incluem os modelos Naive Bayes e de mistura gaussiana. As abordagens modernas baseiam-se em redes neuronais: autoencoders variacionais, redes generativas adversárias e modelos de difusão. Cada uma delas apresenta um equilíbrio entre a qualidade da amostra, a estabilidade do treino e o custo computacional.

Modelos generativos comuns

• Autoencoders variacionais
• Redes generativas adversárias
• Modelos de difusão
• Modelos autorregressivos
• Fluxos de normalização

A avaliação é difícil. Os índices de verosimilhança favorecem algumas famílias. A qualidade visual favorece outras. Nenhuma métrica isolada consegue captar se as amostras geradas são úteis, diversas e fiéis à distribuição do treino.