VAE（变分自编码器）

VAE（Variational Autoencoder，变分自编码器）是一种生成模型，也是一种概率性自编码器，能够在对输入数据进行压缩与重构的同时生成新数据。 VAE主要用于图像生成、异常检测和数据潜在表示学习等场景，以理论上稳定的特性著称，是深度生成模型中的重要方法之一。 VAE的基本结构由以下两个神经网络组成： 1. 编码器（Encoder）：将输入数据映射到概率性的潜在空间（潜在变量的分布） 2. 解码器（Decoder）：从潜在变量重构原始数据，通过训练近似数据分布 VAE与普通自编码器（AE）的区别在于，它将潜在空间视为概率分布来处理。 这种概率化的处理方式使VAE在数据生成时更加平滑、多样，对噪声的鲁棒性也更强。 此外，VAE的损失函数除了“重构误差（Reconstruction Loss）”外，还引入了“KL散度（Kullback-Leibler Divergence）”，使学习到的潜在分布尽量接近标准正态分布。 主要应用场景： - 手写数字和人脸图像的生成 - 医学图像的异常检测（捕捉对正常模式的偏差） - 通过潜在变量进行特征压缩和聚类 - 时序和音频生成模型（如Sequence VAE） VAE与GAN（生成对抗网络）相比，训练更加稳定，可解释性也更强，因此在学术研究和实际应用中均得到广泛使用。