20260617:目前有914 页

concepts/variational-autoencoder.md

@@ -0,0 +1,47 @@
+---
+title: "变分自编码器 (Variational Autoencoder, VAE)"
+created: 2026-06-10
+updated: 2026-06-10
+type: concept
+tags: ["bayesian-deep-learning", "generative-models", "variational-inference"]
+sources: ["[[principled-uncertainty-clinical-ai]]"]
+---
+
+# 变分自编码器 (Variational Autoencoder, VAE)
+
+**变分自编码器**（Kingma & Welling, 2014）是生成模型和表示学习的基石，将输入编码为潜空间中的概率分布（而非确定点），通过优化 ELBO（Evidence Lower BOund）进行训练。
+
+## 核心公式
+
+**编码器**：q_phi(z|x) = N(z; mu_phi(x), sigma^2_phi(x) * I)
+
+**解码器**：p_theta(x|z)
+
+**ELBO 目标**：
+```
+L(theta, phi; x) = E_{q(z|x)}[log p(x|z)] - D_KL(q(z|x) || p(z))
+```
+- 第一项：重构损失（期望对数似然）
+- 第二项：KL 散度正则化（潜分布趋近先验 N(0,I)）
+
+## 重参数化技巧
+
+```
+z = mu_phi(x) + epsilon * sigma_phi(x), epsilon ~ N(0, I)
+```
+
+通过将随机性隔离到 epsilon，梯度可以通过采样操作回传，实现端到端训练。
+
+## 在临床 AI 中的应用
+
+[[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]] 使用 VAE 作为多模态编码器的基础：
+
+- 每个模态（EHR、影像、文本）都有独立的变分编码器
+- 输出潜分布 (mu_m, sigma^2_m)
+- [[precision-weighted-fusion|精度加权融合]]组合各模态的分布
+- 融合后的潜分布用于临床风险预测
+
+## 参考
+- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
+- [[bayesian-deep-learning|贝叶斯深度学习]]
+- [[epistemic-uncertainty|认知不确定性]]