VAE와 GAN 원리 정리, 잠재공간과 재파라미터화 트릭부터 GAN 학습 실패 모드까지
AI 안전 교육 프로그램 ARENA 강의를 정리했다. 오토인코더의 한계에서 출발해 VAE가 잠재공간에 분포를 학습시키는 이유, 역전파를 살리는 재파라미터화 트릭, GAN의 적대적 학습 구조와 실패 모드를 담았다.
핵심 내용 읽기 →
AI TOPIC
VAE 최신 뉴스와 핵심 해설
VAE 관련 핵심 뉴스와 활용 인사이트 13편을 최신순으로 모았습니다.
VAE 유도 과정 정리 — ELBO와 REINFORCE, 재매개변수화 트릭, 상각 추론으로 잠재변수 모델 학습하기
코넬대 심층 생성모델 강의가 잠재변수 모델 학습을 다룬다. 주변 로그가능도를 직접 계산할 수 없는 이유에서 출발해 ELBO, REINFORCE의 높은 분산, 재매개변수화 트릭, 상각 추론을 차례로 거쳐 변분 오토인코더가 조립되는 과정을 정리했다.
핵심 내용 읽기 →
잠재변수 모델과 VAE 입문: 표현 학습부터 ELBO와 변분추론까지 한 번에 정리
코넬대 CS 6785 심층 생성모델 강의가 설명하는 잠재변수 모델의 원리를 정리했다. 라벨 없이 데이터의 숨은 특징을 찾아내는 표현 학습, 계산이 불가능한 확률을 ELBO라는 하한으로 우회하는 변분추론의 뼈대를 짚는다.
핵심 내용 읽기 →
생성모델 결합 강의 정리 — 자기회귀·VAE·플로우·GAN·확산모델을 섞는 다섯 가지 방법
코넬대 CS 6785 마지막 강의는 자기회귀 모델과 VAE, 정규화 플로우, GAN, 확산모델을 서로 결합해 온 연구들을 훑는다. 표현을 합치는 길과 목적함수를 바꾸는 길, 그리고 잠재변수가 무시되는 고질적 실패까지 한 자리에 놓는다.
핵심 내용 읽기 →
변분 오토인코더(VAE) 완전 정리: 잠재 공간, ELBO, 재매개변수화 트릭까지 수식의 의미 이해하기
변분 오토인코더가 일반 오토인코더와 무엇이 다른지, 잠재 공간과 ELBO는 왜 필요한지, 재매개변수화 트릭이 역전파를 어떻게 가능하게 하는지를 수식의 의미와 비유 중심으로 한국어로 풀어 정리했습니다.
핵심 내용 읽기 →
생성 모델 기초 정리: 오토인코더·VAE·GAN은 어떻게 새로운 데이터를 만들어내는가 (MIT 6.S191 강의)
MIT 6.S191 강의가 다룬 생성 모델의 뼈대를 정리했다. 오토인코더가 라벨 없이 특징을 찾아내는 방식, VAE가 잠재 공간을 정규화하는 이유, GAN의 생성자·판별자 경쟁 구조, 그리고 데이터 편향 탐지 같은 실제 쓰임새까지 짚는다.
핵심 내용 읽기 →
로봇 학습 생성모델 정리: VAE·확산모델·플로 매칭까지, ETH 취리히 강의 6강 해설
ETH 취리히 로봇 학습 강의 6강이 관측을 행동으로 옮기는 문제를 분포 학습으로 다시 세우고, 오토인코더에서 VQ-VAE, 확산 정책, 플로 매칭으로 이어지는 생성모델 세 계보와 각 기법이 부딪힌 한계를 차례로 정리했습니다.
핵심 내용 읽기 →
잠재 확산 모델 원리 정리: VAE 잠재 공간과 확산 트랜스포머(DiT) 구조를 MIT 강의로 이해하기
MIT 6.S184 강의가 설명한 잠재 확산 모델의 설계 원리를 정리했다. 180만 차원 이미지를 압축하는 오토인코더와 VAE, 재파라미터화 트릭, 확산 트랜스포머 구조, 스테이블 디퓨전 3 사례까지 차례로 짚는다.
핵심 내용 읽기 →
생성 모델 기초 완전 정리: 오토인코더, VAE, GAN의 원리와 차이점 (MIT 6.S191)
MIT 딥러닝 입문 강의 6.S191의 생성 모델 편을 정리했다. 데이터의 확률 분포를 학습한다는 공통 원리 위에서 오토인코더와 VAE, GAN이 각각 무엇을 목표로 어떻게 다르게 작동하는지 차근차근 설명한다.
핵심 내용 읽기 →
VAE 밑바닥 구현 — 인코더·리파라미터화·KL 발산으로 이해하는 이미지 생성
변분 오토인코더(VAE)를 수식보다 코드 먼저로 밑바닥부터 구현한다. 인코더가 데이터를 정규분포로 압축하고, 리파라미터화 기법과 KL 발산으로 생성이 가능해지는 원리를 오류를 겪으며 짚는다.
핵심 내용 읽기 →
프리 트랜스포머(Free Transformer) 해설 — 잠재 변수와 VAE로 텍스트 생성 개선
메타 연구진의 프리 트랜스포머는 디코더 트랜스포머에 잠재 변수를 더해 좋은 리뷰냐 나쁜 리뷰냐 같은 큰 결정을 먼저 내린다. 변분 오토인코더(VAE)를 트랜스포머 중간에 끼워 넣은 이 구조와 정보량 제한이라는 핵심 균형을 해설한다.
핵심 내용 읽기 →
AI 환각 되먹임 실험으로 이해하는 확산모델·VAE·LLM의 세 가지 환각
이미지를 LLM이 설명하고 확산모델이 그 설명대로 다시 그리는 과정을 수천 번 반복하면 그림은 전혀 다른 것으로 변합니다. 이 실험으로 LLM·VAE·확산 U-Net에서 비롯되는 세 가지 환각을 설명합니다.
핵심 내용 읽기 →
오토인코더 진화 완전정복: VAE 재매개변수화·VQ-VAE 코드북 설명
이미지 생성 모델 DALL-E의 뿌리인 오토인코더의 발전 과정을 정리했다. 압축용 오토인코더에서 생성이 가능한 VAE, 그리고 이산 표현을 도입한 VQ-VAE까지 개념과 학습 방식을 쉽게 풀어낸다.
핵심 내용 읽기 →