Antigravity Agent
56 lines
4.4 KiB
Markdown
56 lines
4.4 KiB
Markdown
---
|
|
category: Unified
|
|
tags: [auto-consolidated, technical-documentation]
|
|
title: [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]]
|
|
last_updated: 2026-05-02
|
|
---
|
|
|
|
# [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]]
|
|
|
|
## 📌 Brief Summary
|
|
> "데이터를 구름 속에 가두고 다시 빚기: 현실의 데이터를 압축된 '잠재 공간(Latent Space)'이라는 확률 분포로 변환한 뒤, 그 구름에서 새로운 표본을 샘플링하여 현실에 존재한 적 없는 새로운 데이터를 창조해내는 생성의 정석."
|
|
|
|
---
|
|
|
|
> "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.
|
|
|
|
## 📖 Core Content
|
|
변이형 오토인코더(Variational Autoencoder, VAE)는 데이터의 잠재적인 구조를 학습하여 새로운 유사 데이터를 생성해낼 수 있는 딥러닝 기반의 생성 모델입니다.
|
|
|
|
1. **구조와 매커니즘**:
|
|
* **Encoder**: 입력 데이터(이미지 등)를 저차원의 '잠재 변수(Latent Variable)' 분포(평균과 분산)로 압축.
|
|
* **Latent Space**: 데이터를 하나의 점이 아닌 '확률 분포'의 영역으로 표현하여, 그 영역 내의 어떤 점에서도 그럴싸한 데이터가 나오게 함 (연속성 확보).
|
|
* **Decoder**: 잠재 공간에서 샘플링한 벡터를 다시 원래의 고차원 데이터 형식으로 복원 및 생성.
|
|
2. **핵심 기법 - Re[[Parameter|Parameter]]ization Trick**:
|
|
* 샘플링 과정은 미분이 불가능하여 오차 역전파가 안 되는데, 이를 수학적 트릭으로 우회하여 신경망 전체가 학습 가능하게 만듦.
|
|
3. **용도**:
|
|
* 데이터 증강, 노이즈 제거(Denosing), 이미지 생성, 분자 구조 설계 등.
|
|
|
|
---
|
|
|
|
- **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.
|
|
- **Re[[Parameter|Parameter]]ization Trick:** 샘플링 과정에서 미분 가능성을 유지하여 역전파([[Backpropagation|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.
|
|
|
|
## ⚖️ Trade-offs & Caveats
|
|
- **과거 데이터와의 충돌**: 초기 생성 모델 정책은 단순한 복원(Autoencoder)에 그치거나 GAN의 불안정한 학습에 고전했으나, VAE 정책은 수학적으로 안정적인 학습 기반을 제공하며 생성 AI 정책의 기틀을 닦음(RL Update).
|
|
- **정책 변화(RL Update)**: 현대의 고품질 이미지 생성 정책(Stable Diffusion 등)에서, VAE는 이미지를 효율적인 잠재 공간으로 옮겨 연산 부하를 줄이는 'Latent Diffusion' 정책의 핵심 부품(Encoder/Decoder)으로 재배치되어 제2의 전성기를 누림.
|
|
|
|
---
|
|
|
|
- **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.
|
|
|
|
## 🔗 Knowledge Connections
|
|
- [[Self-Supervised Learning (SSL)|Self-Supervised Learning (SSL)]], Foundational Models, [[Straightening|Straightening]], [[Probability Theory|Probability Theory]], [[Style-Transfer|Style-Transfer]]
|
|
- **Modern Tech/Tools**: Stable Diffusion VAE, Beta-VAE, PyTorch VAE, Keras Generative.
|
|
---
|
|
|
|
---
|
|
|
|
- Autoencoder, [[Generative-Adversarial-Networks|Generative-Adversarial-Networks]]-GAN, [[Representation-Learning|Representation-Learning]], [[Uncertainty-Quantification|Uncertainty-Quantification]]
|
|
- **Raw Source:** 10_Wiki/Topics/AI/Variational-Autoencoders-VAE.md
|