Variational Autoencoder (VAE) (Varyasyonel Oto-Kodlayıcı)

Variasyonel Otokodlayıcı (VAE — Variational Autoencoder), gizli uzayda (latent space) olasılıksal bir dagilim ogrenerek yeni veri ornekleri uretebilen uretken derin ogrenme modeli. 2013 yilinda Kingma ve Welling tarafindan onerilen VAE, otokoderın gizli uzay temsilini deterministik bir noktayla dolu olmak yerine olasiliksal bir dagilim (cogunlukla Gaussian) olarak modeller. VAE mimarisinin iki ana bileseni vardir: kodlayici (encoder) ve kodcozucu (decoder). Encoder, girdi verisini gizli uzaydaki bir ortalama (mean) ve varyans vektoru olarak kodlar; gercek gizli vektor bu Gaussian dagilimindan orneklenir. Decoder, bu gizli vektoru orijinal veri uzayına geri donusturmege calisir. Egitim sirasinda iki kayip terimi vardir: yeniden yapim kaybi (reconstruction loss — girdinin cikisa ne kadar benzedigi) ve KL sapma kaybi (KL divergence — gizli dagilımın standard normale ne kadar yakin oldugu). GAN'larla (Generative Adversarial Network) karsilastirildiginda VAE'nin avantajlari ve dezavantajlari farklilasir. VAE, egitimi daha kararli ancak uretilen ornekler cogu zaman daha bulanik (blurry) gorunur. GAN'lar cok daha keskin ve gercekci goruntü uretse de egitim kararsizligi ve mod cokusu (mode collapse) sorunlariyla mucadele eder. VAE'nin gizli uzayinin duzlü ve sutun yapısı (smooth, structured latent space) onu yorumlanabilir temsil ogrenmesi (disentangled representation learning) icin cekici kilar. Veri uretiminin yanı sira anomali tespiti, eksik veri doldurma ve kesirsiz interpolasyon (yuz eslestirmesinden noktali buluta dek) uygulamalarında kullanilmaktadir.