Machine learning

Variational Autoencoder

Un autoencoder ordinari comprimeix cada entrada en un punt únic en un espai comprimit, cosa que és bona per a la reconstrucció però no deixa cap manera principista de crear dades noves. Un VAE, en canvi, mapeja cada entrada a un petit núvol de probabilitat —una mitjana i una dispersió— i força aquests núvols a mantenir-se prop d'una distribució de referència simple. Com que l'espai latent és llavors suau i continu, podeu extreure un punt nou d'ell i el descodificador el converteix en un exemple completament nou i plausible.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

+26 more

Fonts

  1. Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link
  2. Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link

Com citar aquesta pàgina

ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/ca/deep-learning/variational-autoencoder

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citat per

ScholarGateVariational Autoencoder (Variational Autoencoder (VAE)). Recuperat el 2026-06-15 de https://scholargate.app/ca/deep-learning/variational-autoencoder · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026