Autoencoders Variacionales

Son un tipo especial de red neuronal utilizada en machine learning para aprender representaciones compactas y útiles de los datos.

Combinan técnicas de codificación y decodificación, generando una versión comprimida de la entrada en un espacio latente que sigue una distribución probabilística.

A diferencia de los autoencoders tradicionales, añaden un componente probabilístico que permite generar nuevas muestras similares a los datos de entrada.

Operan optimizando una función de pérdida que combina la reconstrucción de datos y la divergencia Kullback-Leibler, lo que fuerza al modelo a aprender representaciones significativas.

Se aplican en tareas como generación de imágenes, reducción de dimensionalidad, detección de anomalías y modelado generativo.

Ofrecen una forma de generar datos sintéticos o completar patrones a partir de contextos incompletos en múltiples dominios.