Een Variational Autoencoder (VAE) is een type neurale netwerkarchitectuur dat gebruikt wordt voor ongecontroleerd leren van complexe data distribu ties. Het bestaat uit twee delen: een encoder die invoerdata comprimeerd naar een latente representatie, en een decoder die die representatie terug gebruikt om de originele data te reconstrueren.

Het “variational” deel betekent dat VAE’s probabilistische modellen zijn – ze leren niet alleen een vaste representatie, maar ook de verdeling van mogelijke representaties. Dit maakt het mogelijk om nieuwe, nieuwe data te genereren door samples uit de latente ruimte te trekken.

VAE’s worden gebruikt voor generatieve taken: het genereren van afbeeldingen, het vervangen of verbeteren van beschadigde data, en het leren van gecomprimeerde representaties van complexe data. Ze combineren het beste van autoencoders (dimensionality reduction) met statistische waarschijnlijkheid.