Um estudo sobre autoencoders variacionais

Resumo

Autoencoders Variacionais são modelos probabilísticos direcionais que podem ser treinados sem supervisão, sem rotulação de dados e que propõem uma série de técnicas de amenização do custo computacional de processamento e de memória para sua otimização, o que se torna essencial para o objetivo de treiná-los a aprender estruturas latentes de bases de dados de alta dimensionalidade. Seu framework compartimentado entre encoder e decoder oferece ao mesmotempo uma forma de mapear dados de alta dimensionalidade em espaços de baixa dimensão para análise de suas propriedades e um meio para se gerar pontos não observados do espaço de input. A facilidade com que eles ligam as teorias de modelos latentes e modelos generativos permite que diversos modelos adjacentes fossem definidos - como os autoencoders regularizadores - e consequentemente alavanca avanços concretos na área de modelos de redes neurais profundas com variáveis latentes.

Ficha do documento

Tipo

Outro

Ano

2022

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/33862

Temas

TecnologiaDados

Palavras-chave

Autoencoders variacionaisModelos probabilísticosEstudoRedes neuraisMatemáticaMatemática aplicadaInteligência artificial - Modelos matemáticosPrincípios variacionaisRedes neurais (Computação)