Unele modele clasifică. Altele creează. Modelele generative învață distribuția subiacentă a datelor și pot eșantiona din aceasta, producând noi exemple care seamănă cu setul de antrenament. Ele răspund la întrebarea cum sunt generate datele, nu doar cum să le eticheteze.

Exemplele clasice includ modele naive de amestecuri Bayes și Gaussian. Abordările moderne se bazează pe rețele neuronale: autoencodere variaționale, rețele generative adverse și modele de difuzie. Fiecare dintre ele compromite calitatea eșantionului, stabilitatea antrenamentului și costul computațional.

Modele generative comune

• Autoencodere variaționale
• Rețele generative adverse
• Modele de difuzie
• Modele autoregresive
• Normalizarea fluxurilor

Evaluarea este dificilă. Scorurile de probabilitate favorizează unele familii. Calitatea vizuală le favorizează pe altele. Nicio metrică singulară nu surprinde dacă eșantioanele generate sunt utile, diverse și fidele distribuției de antrenament.