في التعلم الآلي، يعد المشفر التلقائي المتغير (VAE) بنية شبكة عصبية اصطناعية اقترحها Diederik P. Kingma وMax Welling، والتي تنتمي إلى النموذج الرسومي الاحتمالي وطريقة Bayesian المتغيرة.

إنه نموذج توليدي مصمم خصيصًا لالتقاط توزيع الاحتمالات الأساسي لمجموعة بيانات معينة وإنشاء عينات جديدة.إنهم يستخدمون بنية تتضمن بنية ترميز وفك تشفير. يقوم المشفر بتحويل بيانات الإدخال إلى شكل كامن ويهدف فك التشفير إلى إعادة بناء البيانات الأصلية بناءً على هذا التمثيل الكامن. تتم برمجة VAEs لتقليل الفرق بين البيانات الأصلية والبيانات المعاد بناؤها، مما يمكنها من فهم توزيع البيانات الأساسي وإنشاء عينات جديدة تتوافق مع نفس التوزيع.

إن الميزة المهمة لـ VAEs هي قدرتها على إنشاء عينات بيانات جديدة مشابهة لبيانات التدريب. نظرًا لأن المساحة الكامنة لـ VAE مستمرة، يمكن لفك التشفير إنشاء نقاط بيانات جديدة تتداخل بسلاسة بين نقاط بيانات التدريب. تتوفر لـVAE تطبيقات في مجالات مختلفة مثل تقدير الكثافة وتوليد النصوص.

بنية التشفير التلقائي المتغير

عادةً ما تحتوي أجهزة VAE على مكونين رئيسيين: اتصالات التشفير واتصالات فك التشفير. تقوم شبكة التشفير بتحويل بيانات الإدخال إلى مساحة سرية منخفضة الأبعاد، والتي غالبًا ما تسمى "الرمز السري".

يمكن دراسة العديد من طوبولوجيات الشبكات العصبية (على سبيل المثال، الشبكات العصبية المتصلة بالكامل أو الشبكات العصبية التلافيفية) لتنفيذ شبكة الترميز. يتم اختيار الهندسة المعمارية على أساس خصائص البيانات. تنتج شبكة الترميز المعلمات الأساسية المطلوبة لعينة وتوليد الرموز الكامنة، مثل المتوسط والتباين للتوزيع الغاوسي.

وبالمثل، يستطيع الباحثون استخدام أنواع مختلفة من الشبكات العصبية لبناء شبكة فك تشفير، هدفها إعادة بناء البيانات الأصلية من الكود الكامن المقدم.

مراجع

【1】https://zh.wikipedia.org/wiki/%E5%8F%98%E5%88%86%E8%87%AA%E7%BC%96%E7%A0%81%E5%99%A8

【2】https://www.analyticsvidhya.com/blog/2023/07/an-overview-of-variational-autoencoders/