Varyasyonel Otomatik Kodlayıcı
Variational Autoencoder (VAE) · Ayrıca şöyle bilinir: Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
Varyasyonel Otomatik Kodlayıcı (VAE), veriyi gizli bir uzayda olasılık dağılımı olarak kodlayan ve yeni örnekler üretmek için bu dağılımdan örneklem alan, Diederik Kingma ve Max Welling tarafından 2014 yılında tanıtılan derin üretken gizli değişkenli bir modeldir. Veri üretimi, anomali tespiti ve özellik öğrenimi için kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+25 tane daha
Ne zaman kullanılır
En az yaklaşık 200 sürekli değerli gözleminiz olduğunda ve yeni veri üretmek, anormallikleri tespit etmek veya yüksek boyutlu girdileri sıkıştırmak için pürüzsüz bir gizli temsil öğrenmek istediğinizde ve eğitim için bir GPU mevcut olduğunda iyi bir uyum sağlar. Model, sürekli bir gizli değişken varsayar ve yeniden yapılandırma kaybı ile KL sapmasının ortak optimizasyonu ile eğitilir. Yaklaşık 200 örneğin altında, gizli dağılım anlamlı bir şekilde öğrenilemez ve PCA gibi daha basit bir yöntem tercih edilir; yaklaşık 50'nin altında tamamen başarısız olur.
Güçlü yönler & sınırlılıklar
- Gerçekten yeni örnekler üretmek için örneklenmiş pürüzsüz, sürekli bir gizli uzay öğrenir.
- Prensip sahibi bir olasılıksal çerçeve sunar, tek bir hedefi (kanıt alt sınırı) optimize eder.
- Üretim ötesinde kullanışlıdır — anomali tespiti, özellik öğrenimi ve doğrusal olmayan boyut azaltma için.
- Normal dağılımlı girdiler gerektirmez ve yüksek boyutlu sürekli verilerle çalışır.
- Yeniden parametrelendirme hilesi, tüm modelin gradyan inişi ile uçtan uca eğitilebilir olmasını sağlar.
- Etkili bir şekilde eğitmek için makul derecede büyük bir örneğe (yaklaşık 200+) ve tipik olarak bir GPU'ya ihtiyaç duyar.
- Örnekler, düşmanca veya difüzyon tabanlı üreticilere kıyasla bulanık görünebilir.
- Küçük veri kümelerinde gizli dağılım anlamlı bir şekilde öğrenilmez, bu nedenle PCA daha güvenli bir seçimdir.
- Yeniden yapılandırma ve KL terimlerini dengelemek hassastır; KL terimi çökebilir ve göz ardı edilebilir.
SSS
Bir VAE, düz bir otomatik kodlayıcıdan nasıl farklıdır?
Düz bir otomatik kodlayıcı, her girdiyi yalnızca yeniden yapılandırma için optimize edilmiş tek bir gizli koda eşler. Bir VAE, her girdiyi bir olasılık dağılımı olarak kodlar ve bu dağılımı bir önsele yakın tutan bir KL terimi ekler; bu da yeni veri üretmek için örnekleyebileceğiniz pürüzsüz bir gizli uzay sağlar.
Yeniden parametrelendirme hilesi nedir?
Gizli bir örneği, kodlanmış ortalama artı standart sapma çarpı standart Gauss gürültüsü olarak yeniden yazar. Rastgeleliği harici bir gürültü terimine taşıyarak, gradyanlar örnekleme adımından geçebilir, böylece kodlayıcı ve kod çözücü geri yayılım yoluyla birlikte eğitilebilir.
Ne kadar veriye ve ne tür donanıma ihtiyacım var?
En az yaklaşık 200 sürekli gözlem önerilir ve eğitim için bir GPU tavsiye edilir. 200'ün altında gizli dağılım anlamlı bir şekilde öğrenilmez ve PCA tercih edilir; yaklaşık 50'nin altında VAE tamamen başarısız olur.
beta-VAE nedir?
2017'de Higgins ve arkadaşları tarafından önerilen beta-VAE, KL terimini bir katsayı (beta) ile çarpar. Daha büyük bir beta, yeniden yapılandırma doğruluğu pahasına, gizli boyutları daha bağımsız, ayrışmış varyasyon faktörlerini yakalamaya zorlar.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/tr/deep-learning/variational-autoencoder
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otomatik kodlayıcıDerin öğrenme↔ karşılaştır
- Difüzyon ModeliDerin öğrenme↔ karşılaştır
- Üretken Çekişmeli AğDerin öğrenme↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Skor Tabanlı Üretken ModelDerin öğrenme↔ karşılaştır