生成模型

生成建模的核心任务，是让模型掌握数据分布的足够特征，从而能够生成新样本、重建输入或计算似然值。本分支目前介绍两个互补的模型家族：

• 变分自编码器：通过编码器、解码器及正则化目标函数，构建结构化的潜空间。
• 扩散模型：通过逆向学习逐步去噪的过程来生成数据。

本分支的范围是连续潜变量 VAE 与离散高斯 DDPM。自回归模型把联合分布分解为条件预测，归一化流用可逆变换计算密度变化，GAN 通过生成器与判别器的博弈学习；以上两篇并未覆盖这些家族。VAE 从潜变量抽样后通过解码器生成，DDPM 通常需要反复调用去噪器。重建得好或训练目标低，都不足以单独证明样本多样且有用。

Stanford CS236 提供了更系统的课程路径。对于快速迭代的模型架构或 API 变动，建议归类至“前沿”板块，而非此概念分支。

我的阅读 · 打开过的笔记会记在当前浏览器里。