Varyasyonel bir otoenkoderi binlerce yüz fotoğrafıyla beslediğinizde, yüzlerin nasıl göründüğüne dair sıkıştırılmış bir harita öğrenir ve daha sonra hiç var olmamış yeni yüzler üretir. Bu model, üretken algoritmalar ailesine aittir ve ayırt edici özelliği, sıradan otoenkoderin olasılıksal bir yaklaşımla ele alınmasıdır.

Standart bir otoenkoder, girdiyi sabit bir vektöre sıkıştırır ve yeniden oluşturur. Bunun yerine, bir VAE her girdiyi bir dağılım olarak, tipik olarak bir ortalama ve varyans olarak kodlar, ardından kod çözmeden önce bu dağılımdan örnekleme yapar. Bu zorunlu rastgelelik, gizli alanı yumuşatarak yakındaki noktaların benzer çıktılara dönüşmesini sağlar; bu da enterpolasyon ve örneklemeyi anlamlı hale getirir.

Başlıca malzemeler

• Gizli bir dağılımın parametrelerini üreten bir kodlayıcı ağ.
• Gradyanların akışını sağlamak için yeniden parametreleme yöntemini kullanan bir örnekleme adımı.
• Örneklenmiş gizli vektörden girdiyi yeniden oluşturan bir kod çözücü ağ.
• Yeniden yapılandırma hatasını, gizli alanı düzenleyen bir KL ıraksama terimiyle birleştiren bir kayıp fonksiyonu.

VAE'ler GAN'lardan daha bulanık görüntüler üretir, ancak gizli alanları daha yapılandırılmış ve gezinmesi daha kolaydır. Bu denge, onları ilaç keşfi, anomali tespiti ve piksel mükemmelliğinde keskinlikten ziyade pürüzsüz, yorumlanabilir bir temsilin daha önemli olduğu her türlü görev için popüler kılıyor.