# VAE(2013)

Original Paper - Auto-Encoding Variational Bayes: <https://arxiv.org/abs/1312.6114>

## Abstract

큰 데이터셋, 계산하기 힘든(intractable) 사후확률분포를 가진 잠재변수가 있는 확률모델에서 추론과 학습을 어떻게 하면 효율적으로 진행할 수 있을까?

이 논문에선, 적절히 미분가능한 상황에서 위와 같이 **계산하기 힘든 사후확률분포를 가진 경우**에도 적용할 수 있는, Variational Inference 방법과 큰 데이터셋을 다룰 수 있는 학습 방법을 제안한다.

* **Variational lower bound를 reparametrize**하는 것으로 일반적인 SGD로 최적화 가능하다는 것을 보임
* 연속 잠재변수를 가지는 서로 동등하면서 독립인(IID) 분포를 가지는 거대한 데이터셋에 대해 복잡한 사후확률을 추론하기 위해, **계산하기 쉬운 posterior(사후확률)을 적용한 근사적 추론 모델**을 사용할 때 특히 효과적임을 밝힘

이 논문에선 Reparameterization Trick과 Variational Inference가 중요한 개념으로 등장한다.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://confeitohs.gitbook.io/gitbook/ml-statistics/vae.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.