Autoencoder Variacional
El Autoencoder Variacional (VAE) es un modelo generativo profundo de variables latentes, introducido por Diederik Kingma y Max Welling en 2014, que codifica los datos como una distribución de probabilidad en un espacio latente y extrae muestras de esa distribución para generar nuevos ejemplos. Se utiliza para la generación de datos, la detección de anomalías y el aprendizaje de características.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
Fuentes
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/es/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.
- AutoencoderAprendizaje profundo↔ compare
- Modelo de difusiónAprendizaje profundo↔ compare
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Análisis de Componentes PrincipalesAprendizaje automático↔ compare
- Modelo generativo basado en puntuaciónAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →