Değişimsel Otokodlayıcı (Variational Autoencoder)

Variational Autoencoder nedir?

Variational Autoencoder (VAE), bir veriyi küçük bir gizli temsile sıkıştırıp sonra geri açan bir sinir ağı türüdür. Buraya kadar klasik bir autoencoder gibi görünür. Farkı şu: VAE, gizli temsili tek bir noktaya değil, bir olasılık dağılımına eşler. Bu küçük numara onu üretken bir modele dönüştürür; yani daha önce görmediği yeni örnekler üretebilir.

Nasıl çalışır?

İki parçası vardır:

• Encoder: Girdiyi alır ve latent space içinde bir ortalama ile bir varyans üretir. Yani "bu veri şuralarda bir yerde" der, tek nokta vermez.
• Decoder: Bu dağılımdan rastgele bir nokta örnekleyip orijinal veriyi yeniden kurmaya çalışır.

Eğitim sırasında iki şeyi aynı anda optimize eder: yeniden kurma hatasını düşük tutmak ve latent space''i düzenli, sürekli bir yapıda tutmak (KL-divergence terimi). Bu düzenlilik sayesinde latent space''te iki nokta arasında gezindiğinde çıktı da yumuşak biçimde değişir; rastgele bir noktadan da anlamlı bir örnek doğar.

Neden önemli?

VAE, üretken yapay zekanın temel taşlarından biridir. GAN''lerden önce yeni veri üretmenin en sağlam yollarından biriydi ve hâlâ latent space''i anlamlı biçimde düzenlemesiyle değerlidir. Diffusion model gibi modern üretken mimarilerin fikri kökeninde de bu olasılıksal latent temsil yaklaşımı yatar.

Kullanım alanları

• Görüntü üretimi ve görüntü onarma
• Anomali tespiti (veriye uymayan örnekleri yakalama)
• İlaç ve molekül tasarımında yeni aday üretme
• Veri sıkıştırma ve gürültü temizleme
• Latent space üzerinden veri keşfi ve interpolasyon