เปรียบเทียบวิธี

	ตัวเข้ารหัส-ถอดรหัสแบบแปรผันที่อธิบายได้	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2013–2017	2014
ผู้ริเริ่ม	Kingma, D. P. & Welling, M. (VAE); Higgins et al. (beta-VAE for disentanglement)	Kingma, D. P. & Welling, M.
ประเภท	Generative model with interpretable latent space	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014).	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	XVAE, Interpretable VAE, Disentangled Variational Autoencoder, Explainable Generative Model	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	4	5
สรุป	An Explainable Variational Autoencoder (XVAE) extends the standard VAE framework with techniques that make its latent space interpretable: disentangling latent dimensions so each corresponds to a human-understandable factor, or post-hoc attribution methods (SHAP, integrated gradients) that trace reconstructions back to input features. It retains the VAE's generative power while adding transparency required in scientific and high-stakes applications.	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.