---
id: VAE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, deep-learning, generative-model, vae, latent-space]
last_reinforced: 2026-04-26
---

# [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터를 확률 분포로 압축하여 무한한 변이를 생성하라" — 입력 데이터를 특정 수치가 아닌 '평균'과 '분산'을 가진 확률 분포로 인코딩함으로써, 잠재 공간(Latent Space)에서 새로운 데이터를 샘플링하여 생성할 수 있게 하는 모델.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 원시 데이터를 의미 있는 저차원 확률 분포로 요약(Encoder)하고, 이 분포로부터 샘플링된 값을 다시 원시 데이터 형태로 복원(Decoder)하는 생성적 추론 패턴.
- **세부 내용:**
    - **Latent Space:** 데이터의 핵심 특징들이 압축된 다차원 공간. VAE는 이 공간이 정규 분포를 따르도록 강제함.
    - **Reparameterization Trick:** 샘플링 과정에서 미분 가능성을 유지하여 역전파(Backpropagation)가 가능하게 하는 핵심 수학적 기법.
    - **Kullback-Leibler (KL) Divergence:** 학습된 잠재 분포가 표준 정규 분포와 너무 멀어지지 않도록 규제하는 손실 함수 항.
    - **Applications:** 이미지 생성, 데이터 압축, 이상치 탐지(Anomaly Detection) 등.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 데이터를 복원만 하던 일반 오토인코더(AE)와 달리, 잠재 공간의 연속성을 확보함으로써 '새로운' 데이터를 생성할 수 있는 능력을 갖춤.
- **정책 변화:** Antigravity 프로젝트는 위키 문서의 의미적 유사성 분석 및 문서 간 '누락된 연결 고리'를 생성적 추론으로 찾기 위해 VAE 기반의 잠재 공간 분석 기법을 활용함.

## 🔗 지식 연결 (Graph)
- Autoencoder, Generative-Adversarial-Networks-GAN, [[Representation-Learning|Representation-Learning]], [[Uncertainty-Quantification|Uncertainty-Quantification]]
- **Raw Source:** 10_Wiki/Topics/AI/Variational-Autoencoders-VAE.md