詳細解釋
變分自編碼器（VAE, Variational Autoencoder）是結合深度學習和機率圖模型的生成模型，學習數據的機率潛在表示。
核心創新：
- 編碼器：輸出潛在分布的參數（均值、方差）
- 重參數技巧：採樣可微分
- 先驗正則：潛在分布接近標準正態
- 解碼器：從潛在樣本重建數據
損失函數：
- 重建損失：輸入輸出相似
- KL散度：潛在分布與先驗接近
- 平衡兩者：β-VAE調節權重
與標準自編碼器的區別：
- 確定性編碼 → 機率性編碼
- 點估計 → 分布估計
- 可生成新樣本
應用：
- 圖像生成：人臉、數字生成
- 半監督學習：利用未標註數據
- 異常檢測：低機率樣本為異常
- Stable Diffusion：潛在空間基礎
後續發展：
- β-VAE：解耦表示
- VQ-VAE：離散潛在空間
- 擴散模型：超越VAE成為主流
是生成模型的基礎技術之一。