Variationaler Autoencoder (VAE)
Definition
Variationale Autoencoder lernen verdichtete Darstellungen, aus denen neue Varianten entstehen können.
Ein latentes generatives Modell, das einen approximativen Posterior lernt und Rekonstruktion mit Regularisierung zur Priorverteilung optimiert.
Einfach erklärt
Das Modell beschreibt Beispiele in einer vereinfachten inneren Form und lernt, daraus wieder ähnliche Beispiele aufzubauen.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Hersteller lernt einen latenten Raum für kontrollierte Varianten einfacher Bauteilbilder.
Grenzen und Fallstricke
- Die ELBO ist nicht die exakte Likelihood; Posterior Collapse und unscharfe Rekonstruktionen sind mögliche Probleme.
Entstehung & Geschichte
Kingma und Welling führten 2013 den reparametrisierten variationalen Autoencoder ein.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Hersteller lernt einen latenten Raum für kontrollierte Varianten einfacher Bauteilbilder.
Häufige Fragen
Was bedeutet Variationaler Autoencoder (VAE)?
Ein latentes generatives Modell, das einen approximativen Posterior lernt und Rekonstruktion mit Regularisierung zur Priorverteilung optimiert. Worauf sollte man achten? Die ELBO ist nicht die exakte Likelihood; Posterior Collapse und unscharfe Rekonstruktionen sind mögliche Probleme.
Quellen
- Auto-Encoding Variational Bayes · Kingma and Welling, Auto-Encoding Variational Bayes
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: