Vissa modeller klassificerar. Andra skapar. Generativa modeller lär sig den underliggande datadistributionen och kan sampla från den, vilket producerar nya exempel som liknar träningsmängden. De besvarar frågan om hur data genereras, inte bara hur man märker den.

Klassiska exempel inkluderar naiva Bayes- och Gauss-blandningsmodeller. Moderna metoder förlitar sig på neurala nätverk: variationella autokodare, generativa adversariella nätverk och diffusionsmodeller. Var och en avväger provkvalitet, träningsstabilitet och beräkningskostnad.

Vanliga generativa modeller

• Variationsautokodare
• Generativa adversariella nätverk
• Diffusionsmodeller
• Autoregressiva modeller
• Normalisering av flöden

Utvärdering är svårt. Sannolikhetspoäng gynnar vissa familjer. Visuell kvalitet gynnar andra. Inget enskilt mått fångar upp huruvida genererade urval är användbara, mångsidiga och trogna träningsfördelningen.