1.2.5.1.1 – Autoencoders – Vanilla
1.2.5.1.2 – Autoencoders Convolucionais
1.2.5.1.3 – Denoising Autoencoders
1.2.5.1.4 – Redes de Hopfield
aprendendo a criar novos dados
Redes neurais para geração de dados aprendem a distribuição dos exemplos originais para criar novos. Diferente de modelos discriminativos, eles não classificam, mas sim amostram da distribuição aprendida. Primeiramente, o modelo captura padrões e variações presentes nos dados de treinamento. Além disso, ele gera amostras sintéticas que preservam características essenciais dos originais. Por exemplo, criar imagens de gatos nunca vistas antes no treinamento. Essa capacidade é fundamental para data augmentation e privacidade.
variational autoencoders (vae)
VAEs aprendem um espaço latente contínuo e estruturado para gerar novos dados coerentes. Primeiramente, o codificador mapeia entradas para distribuições probabilísticas, não pontos fixos. Além disso, o decodificador reconstrói amostras a partir de pontos amostrados nesse espaço. Por exemplo, gerar novos números manuscritos variando estilo e espessura suavemente. O espaço latente permite interpolação significativa entre diferentes exemplos. São amplamente usados para geração controlada e representações.
generative adversarial networks (gan)
GANs utilizam um jogo competitivo entre gerador e discriminador para criar dados realistas. Primeiramente, o gerador cria amostras falsas a partir de ruído aleatório. Além disso, o discriminador tenta distinguir amostras reais das geradas simultaneamente. Por exemplo, gerar rostos humanos de pessoas que nunca existiram. Esse treinamento adversário produz qualidade impressionante em imagens, vídeo e áudio. São estado da arte para geração de conteúdo realista.
modelos de difusão e autorregressivos
Modelos de difusão gradualmente removem ruído de amostras aleatórias para criar dados coerentes. Primeiramente, adicionam ruído gaussiano aos dados durante o treinamento progressivo. Além disso, aprendem a reverter esse processo passo a passo. Modelos autorregressivos geram dados sequencialmente prevendo o próximo elemento. Por exemplo, gerar imagens pixel por pixel ou texto token por token. Modelos como DALL-E e Stable Diffusion usam difusão. São a base dos geradores mais avançados da atualidade. Para iniciantes, mostram como redes neurais podem criar conteúdo original.
