Autocodificador variacional (VAE)

Un autocodificador variacional (VAE) es un tipo de red neuronal generativa. Parte de la idea del autocodificador: un codificador comprime cada dato, como una imagen, en una representación pequeña, y un decodificador intenta reconstruir el original a partir de ella. Al obligar a pasar la información por ese «cuello de botella», la red aprende los rasgos esenciales.

La diferencia del VAE es que el codificador no produce un punto fijo, sino una distribución de probabilidad (una media y una varianza) en el espacio latente. Durante el entrenamiento se toma una muestra al azar de esa distribución y se le pide al decodificador que reconstruya el dato. Además, se añade a la función de pérdida un término que mantiene esas distribuciones ordenadas y cercanas a una forma estándar. El resultado es un espacio latente continuo y bien organizado, en el que se puede tomar cualquier punto y decodificarlo en un ejemplo nuevo y verosímil.

Fue propuesto por Diederik Kingma y Max Welling en un artículo publicado en arXiv en 2013. Junto con las GAN, fue uno de los pilares de la generación con redes neuronales antes de la llegada de los modelos de difusión.

Por sí solos, los VAE tienden a generar imágenes algo borrosas comparadas con otras técnicas. Pero siguen siendo muy importantes como componente: muchos modelos de difusión latente de imagen usan un autocodificador de este tipo para comprimir las imágenes antes de procesarlas y para devolverlas a píxeles al final. También se usan en detección de anomalías y diseño de moléculas.