VAE là một khung được đề xuất như một cách có thể mở rộng để thực hiện EM đa dạng (hay suy luận đa dạng nói chung) trên các bộ dữ liệu lớn. Mặc dù nó có cấu trúc giống như AE, nhưng nó phục vụ mục đích lớn hơn nhiều.
Tất nhiên, người ta có thể sử dụng VAE để tìm hiểu các biểu diễn tiềm ẩn. VAE được biết là đưa ra các đại diện với các yếu tố không đồng nhất [1] Điều này xảy ra do các linh mục Gaussian đẳng hướng trên các biến tiềm ẩn. Mô hình hóa chúng như Gaussian cho phép mỗi chiều trong biểu diễn tự đẩy mình càng xa càng tốt từ các yếu tố khác. Ngoài ra, [1] đã thêm một hệ số chính quy kiểm soát ảnh hưởng của trước đó.
Trong khi Gaussian đẳng hướng là đủ cho hầu hết các trường hợp, đối với các trường hợp cụ thể, người ta có thể muốn mô hình các linh mục khác nhau. Ví dụ, trong trường hợp trình tự, người ta có thể muốn xác định các linh mục là mô hình tuần tự [2].
Quay trở lại câu hỏi, như người ta có thể thấy, trước đây cho phép kiểm soát đáng kể đối với cách chúng ta muốn mô hình hóa phân phối tiềm ẩn của mình. Loại điều khiển này không tồn tại trong khung AE thông thường. Đây thực sự là sức mạnh của chính các mô hình Bayes, VAEs chỉ đơn giản là làm cho nó thực tế hơn và khả thi hơn cho các bộ dữ liệu quy mô lớn. Vì vậy, để kết luận, nếu bạn muốn kiểm soát chính xác các đại diện tiềm ẩn của mình và những gì bạn muốn chúng đại diện, thì hãy chọn VAE. Đôi khi, mô hình chính xác có thể thu được các biểu diễn tốt hơn như trong [2]. Tuy nhiên, nếu AE đủ cho công việc bạn làm, thì chỉ cần đi với AE, nó đủ đơn giản và không phức tạp. Xét cho cùng, với các AE, chúng ta chỉ đơn giản là thực hiện PCA phi tuyến tính.
[1] sớm Visual Concept Learning với có giám sát sâu Learning 2016
Irina Higgins, Loic Matthey, Xavier Glorot, Arka Pal, Benigno Uria, Charles Blundell, Shakir Mohamed, Alexander Lerchner
https://arxiv.org/abs/1606.05579
[2] Một mô hình biến đổi tiềm ẩn thường xuyên cho dữ liệu tuần tự, 2015
Junyoung Chung, Kyle Kastner, Laurent Dinh, Kratarth Goel, Aaron Courville, Yoshua Bengio
https://arxiv.org/abs/1506.02216