เปรียบเทียบวิธี

	โมเดลการผสมแบบเกาส์เซียนที่อธิบายได้	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1995–2020s	2014
ผู้ริเริ่ม	Reynolds, D. A. & Rose, R. C. (GMM); explainability extensions by various authors	Kingma, D. P. & Welling, M.
ประเภท	Probabilistic clustering with post-hoc or built-in explainability	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 11 — Mixture Models). MIT Press. ISBN: 978-0-262-01802-9	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	X-GMM, Interpretable GMM, Explainable GMM, Transparent Gaussian Mixture Model	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	3	5
สรุป	An Explainable Gaussian Mixture Model (X-GMM) augments the classical GMM probabilistic clustering framework with transparency mechanisms — such as feature-attribution scores, component-level summaries, or sparse covariance structures — so that discovered clusters and density estimates can be understood, communicated, and audited by human experts.	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.