Um estudo sobre autoencoders variacionais

Data
2022-12-16
Orientador(res)
Mesquita, Diego
Título da Revista
ISSN da Revista
Título de Volume
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.


Descrição
Trabalho de Conclusão de Curso - Eduardo Vianna de Lima Fernandes Guimarães
Área do Conhecimento