Autoencoder Variacional (VAE) é um tipo de rede neural generativa que aprende a comprimir dados em uma representação compacta (espaço latente) e depois reconstruí-los. A palavra "variacional" refere-se ao fato de que o espaço latente é tratado como uma distribuição probabilística, não um ponto fixo — isso permite que o modelo gere novas amostras ao amostrar pontos diferentes dessa distribuição. O processo funciona em duas etapas: o encoder comprime a entrada (por exemplo, uma imagem) em parâmetros de uma distribuição gaussiana (média e variância); o decoder amostra dessa distribuição e reconstrói a saída. VAEs são usados para geração de imagens, síntese de áudio, descoberta de drogas e compressão de dados. Comparado aos GANs (Redes Adversariais Generativas), o VAE é mais estável durante o treinamento e oferece um espaço latente contínuo e interpretável — o que permite interpolações suaves entre exemplos. Por exemplo, é possível interpolar entre dois rostos no espaço latente e gerar rostos intermediários de forma gradual.
Navegar por letra: