Variational Autoencoders

Variational Autoencoders (VAE) zijn een type generatief model dat wordt gebruikt om de kansverdeling van complexe data te leren. VAE comprimeert de invoerdata via een encoder tot een kansverdeling van latente variabelen, en bemonstert vervolgens uit die verdeling met behulp van een decoder om nieuwe data te genereren die lijkt op de invoer. In tegenstelling tot traditionele autoencoders optimaliseert VAE tijdens het trainen zowel de reconstructiefout van de data als de gelijkenis van de latente variabelenverdeling, waardoor het model diverse en continue data kan genereren. VAE wordt veel gebruikt in toepassingen zoals beeldgeneratie en anomaliedetectie.