IA Lab by amano
Neste termo

Variational Autoencoder

VAE · Autoencoder variacional

Variational Autoencoder é um modelo generativo probabilístico que aprende uma representação latente contínua e gera dados ao amostrar desse espaço.

machine learning e deep learningnível intermediário a avançadoevolução lenta

O que é

Um encoder representa cada entrada como parâmetros de uma distribuição latente, em vez de um único ponto. Um decoder reconstrói a entrada a partir de uma amostra.

O objetivo combina reconstrução e regularização do espaço latente, permitindo interpolação e geração de novas amostras.

Como funciona

A reparametrização permite treinar por gradiente apesar da amostragem. O termo de divergência aproxima a distribuição latente de uma referência.

O equilíbrio da função de perda influencia nitidez, organização do espaço latente e capacidade de reconstrução.

Um exemplo

Um acervo de componentes é representado em um espaço latente para explorar famílias formais próximas, mantendo a seleção e a validação construtiva fora do modelo.

Onde aparece na prática

  • Representação: Compressão e organização de fatores latentes.
  • Geração: Amostragem, interpolação e reconstrução de dados.
  • Anomalias: Uso do erro de reconstrução como um dos sinais de diferença.

Conceitos que costumam ser confundidos

  • VAE × autoencoder: O VAE impõe uma distribuição latente e objetivo probabilístico; o autoencoder clássico pode mapear para pontos determinísticos.
  • VAE × GAN: VAE otimiza uma formulação probabilística explícita; GAN aprende por disputa adversarial.

Limitações e riscos

Reconstruções podem perder detalhes e a interpretação dos fatores latentes não é garantida.

Amostras plausíveis não provam cobertura da distribuição nem adequação a decisões reais.

Perguntas frequentes

Todo autoencoder é generativo?

Não. A estrutura variacional adiciona uma distribuição latente adequada à amostragem, enquanto um autoencoder comum pode servir apenas à reconstrução.

O espaço latente é automaticamente interpretável?

Não. Continuidade e regularização ajudam, mas cada dimensão não necessariamente corresponde a um conceito humano.

Fontes principais

Revisado em 2026-10-18.