เปรียบเทียบวิธี

	โครงข่ายความเชื่อเชิงลึก (Deep Belief Network: DBN)	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006	2014
ผู้ริเริ่ม	Geoffrey Hinton, Simon Osindero & Yee-Whye Teh	Kingma, D. P. & Welling, M.
ประเภท	Generative probabilistic model	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	Hinton, G. E., Osindero, S., & Teh, Y.-W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527–1554.	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	DBN, Deep Generative Network, Stacked RBM Network, Derin İnanç Ağı	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	3	5
สรุป	A Deep Belief Network is a generative probabilistic model composed of multiple layers of stochastic, latent variables. Introduced by Hinton, Osindero, and Teh in 2006, DBNs were among the first deep architectures to be trained efficiently. Each pair of adjacent layers forms a Restricted Boltzmann Machine, and the network is trained greedily, one layer at a time, before optional supervised fine-tuning. DBNs revived interest in deep learning and demonstrated that hierarchical feature learning from raw data is tractable.	The Variational Autoencoder (VAE) is a deep generative latent-variable model, introduced by Diederik Kingma and Max Welling in 2014, that encodes data as a probability distribution in a latent space and samples from that distribution to generate new examples. It is used for data generation, anomaly detection, and feature learning.