الطريق من تحليل المكونات الرئيسية إلى الإشارات الذاتية إلى الإشارات الذاتية التغيرية: بناء حدس لنمذجة التوليد العميق

تقدم هذه الدورة التعليمية رحلة شاملة وبديهية من خلال تطور النماذج التوليدية العميقة، متتبعة مسارًا واضحًا من الأسس التي تقوم عليها تحليل المكونات الرئيسية (PCA) إلى الإشارات الذاتية التغيرية الحديثة (VAEs)، موضحة كيف تحل كل طريقة قيود النموذج السابق. نبدأ بـ PCA كأداة خطية لتقليل أبعاد البيانات. إن عدم قدرتها على نمذجة الأنماط غير الخطية يحفز استخدام الإشارات الذاتية (AEs)، والتي تستخدم الشبكات العصبية لتعلم تمثيلات مرنة مضغوطّة. ومع ذلك، فإن AEs تفتقر إلى إطار احتمالي، مما يمنعها من توليد بيانات جديدة. تعالج VAEs ذلك من خلال اعتبار الفضاء الكامن كاحتمال، مما يمكّن من توليد البيانات. نقارن بين الأساليب الثلاثة من خلال التحليل النظري، والتجارب، والأمثلة العددية خطوة بخطوة التي تظهر بالضبط كيف يقوم كل نموذج بضغط البيانات - وهو تفصيل غالبًا ما يكون مفقودًا في أماكن أخرى. على عكس المصادر التي تعالج هذه الموضوعات بشكل منفصل، نربطها في سرد واحد، لبناء حدس تدريجي من النماذج التوليدية العميقة الخطية إلى الاحتمالية.