Introduceți mii de fotografii ale fețelor într-un autoencoder variațional și acesta va învăța o hartă comprimată a aspectului fețelor, apoi va genera altele noi care nu au existat niciodată. Modelul aparține familiei generative, iar caracteristica sa distinctivă este o variantă probabilistică a autoencoderului obișnuit.

Un autoencoder standard comprimă datele de intrare într-un vector fix și le reconstruiește. Un VAE codifică în schimb fiecare intrare ca o distribuție, de obicei o medie și o varianță, apoi eșantionează din acea distribuție înainte de decodare. Această aleatorietate forțată netezește spațiul latent astfel încât punctele din apropiere decodează în ieșiri similare, ceea ce face ca interpolarea și eșantionarea să fie semnificative.

Ingrediente cheie

• O rețea de codificatoare care generează parametrii unei distribuții latente
• O etapă de eșantionare care folosește trucul de reparametrizare pentru a menține curgerea gradienților
• O rețea de decodor care reconstruiește intrarea dintr-un vector latent eșantionat
• O pierdere care combină eroarea de reconstrucție cu un termen de divergență KL care regularizează spațiul latent

VAE-urile produc imagini mai neclare decât GAN-urile, dar spațiile lor latente sunt mai structurate și mai ușor de navigat. Acest compromis le face populare pentru descoperirea de medicamente, detectarea anomaliilor și orice sarcină în care o reprezentare fluidă și interpretabilă contează mai mult decât o claritate perfectă la nivel de pixel.