الوصف
تبني المشفرات التلقائية المتغيرة (VAEs) على أساس المشفرات التلقائية التقليدية، التي تتعلم تمثيلاً كامنًا مضغوطًا للبيانات المدخلة. بينما تنتج المشفرات التلقائية القياسية قيمًا فردية لكل بُعد كامن، تتبع VAEs نهجًا احتماليًا. فهي تصيغ مشفرًا ينتج معلمات تحدد توزيعًا احتماليًا لكل سمة كامنة، بدلاً من قيمة واحدة.
يتيح هذا التشفير الاحتمالي تمثيلاً أكثر دقة للبيانات. على سبيل المثال، عند تشفير صور الوجوه، يمكن لـ VAE تمثيل سمات مثل 'الابتسامة' ليس كقيمة واحدة، بل كتوزيع، مما يتعامل مع الحالات الغامضة مثل الموناليزا بشكل أكثر فعالية. ثم يقوم المفكك بأخذ عينات من هذه التوزيعات لإعادة بناء المدخلات. غالبًا ما يُطلق على المشفر اسم نموذج التعرف، والمفكك اسم النموذج التوليدي.
يكمن الدافع الإحصائي الأساسي وراء VAEs في تقريب التوزيعات الخلفية التي يصعب حسابها، وتحديداً p(z|x)، باستخدام توزيع متغير قابل للحساب q(z|x). من خلال تقليل تباعد كولباك-لايبلر (KL) بين هذين التوزيعين، تهدف VAEs إلى جعل q(z|x) قريبًا قدر الإمكان من p(z|x). تؤدي عملية التحسين هذه إلى دالة خسارة تتكون من حدين: احتمالية إعادة البناء وحد تباعد KL الذي يشجع التوزيع المتعلم على أن يكون مشابهًا لتوزيع مسبق، عادةً ما يكون جاوسيا وحدويًا.
من الناحية العملية، ينتج المشفر المتوسط والتباين لكل بُعد كامن، بافتراض مصفوفة تباين قطرية للتبسيط. يتم استخدام 'خدعة إعادة المعلمة' لتمكين الانتشار الخلفي عبر عملية أخذ العينات: يتم سحب عينة عشوائية ε من جاوسيا وحدوي، ثم يتم تحويلها بواسطة المتوسط (μ) والتباين (σ) المتعلمين كـ z = μ + σε. هذا يسمح بتحسين معلمات التوزيع مع الحفاظ على العشوائية.
يتميز الفضاء الكامن لـ VAEs باستمراريته وسلاسته، وهي ميزة كبيرة مقارنة بالمشفرات التلقائية القياسية. يسهل هذا الفضاء الكامن السلس المهام التوليدية. من خلال أخذ عينات من التوزيع المسبق، يمكن للمفكك إنشاء عينات بيانات جديدة تشبه بيانات التدريب. على سبيل المثال، يمكن لـ VAEs المدربة على أرقام MNIST إنشاء أرقام مكتوبة بخط اليد جديدة وواقعية، مع احتلال الأرقام المميزة لمناطق مختلفة من الفضاء الكامن والسماح بانتقالات سلسة بينها.
تعتبر VAEs قيمة للمهام التي تتطلب تمثيلاً قويًا للبيانات، واكتشاف الشذوذ، والنمذجة التوليدية. كما أن قدرتها على إنتاج استيفاءات سلسة بين نقاط البيانات تجعلها مناسبة لتطبيقات مثل إنشاء إطارات وسيطة في الرسوم المتحركة أو الاستيفاء بين عينات الصوت. تسمح المرونة في وزن حدود إعادة البناء و KL بتحسين التوازن بين دقة إعادة البناء وانتظام الفضاء الكامن، مما يؤدي إلى نماذج مثل VAEs المنفصلة.
أبرز ملامح المشفرات التلقائية المتغيرة (Variational Autoencoders)
تشفير الفضاء الكامن الاحتمالي
قدرات النمذجة التوليدية
تمثيل سلس للفضاء الكامن
إعادة بناء البيانات المدخلة
بنية المشفر-المفكك
خدعة إعادة المعلمة للتدريب
تباعد KL لمطابقة التوزيعات
افتراض التوزيع المسبق الجاوسي الوحدوي
تعلم المتوسط والتباين للتوزيعات الكامنة
تمثيلات كامنة منفصلة (مع ضبط المعلمات)
الاستيفاء بين نقاط البيانات في الفضاء الكامن
البدء مع المشفرات التلقائية المتغيرة (Variational Autoencoders)
تعريف شبكة المشفر: ربط البيانات المدخلة بمعلمات التوزيعات الكامنة (المتوسط، التباين).
تعريف شبكة المفكك: ربط المتغيرات الكامنة المسحوبة لإعادة بناء البيانات المدخلة.
تنفيذ دالة الخسارة: الجمع بين خطأ إعادة البناء وتباعد KL بين التوزيعات المتعلمة والمسبقة.
تطبيق خدعة إعادة المعلمة: تمكين تدفق التدرجات عبر عملية أخذ العينات أثناء التدريب.
تدريب النموذج: تحسين معلمات الشبكة باستخدام الانتشار الخلفي.
إنشاء بيانات جديدة: أخذ عينات من التوزيع المسبق وتمريرها عبر المفكك.
حالات استخدام المشفرات التلقائية المتغيرة (Variational Autoencoders)
- النمذجة التوليدية
- استيفاء البيانات
- اكتشاف الشذوذ
- تعلم التمثيل
- توليد الصور
- استخراج الميزات
- إزالة ضوضاء البيانات
