Análisis del espacio latente en el auto-encoder variacional

El auto-encoder variacional ha adquirido mucha fama gracias a sus capacidades como modelo generador. El interés generado, junto con unos resultados espectaculares, principalmente en el ámbito de la generación de imágenes, a producido una enorme cantidad de artículos científicos relacionados con la generación de datos usando el auto-encoder variacional. Sin embargo, sus capacidades para extraer los factores que permiten esta generación no han sido tan estudiadas. En este trabajo se proporciona una base teórica y práctica que sirve para estudios posteriores del espacio latente del auto-encoder variacional desde la perspectiva del representation learning. Se pretende, en este trabajo, estudiar las capacidades que tiene el VAE para extraer de los datos de entrenamiento los factores que sirven para agrupar los ejemplos proporcionados en función de las etiquetas que les han sido asignadas. En este estudio se parte de un auto-encoder estándar como línea base con la comparar. Los resultados obtenidos indican que el auto-encoder variacional original no es capaz de agrupar los ejemplos mejor de lo que lo hace un auto-encoder estándar. Los resultados iluminan claramente cuál es el camino a seguir en el estudio del VAE desde el punto de vista de la obtención de representaciones de un conjunto de datos: El trabajo con el auto-encoder variacional para entrenar un encoder que sea capaz de obtener representaciones con las propiedades relevantes para resolver un problema concreto pasa, casi obligatoriamente, por el estudio y el desarrollo de nuevas variantes del VAE. Abstract: The variational auto-encoder has become prominent because of its capabilities as a generative model. The interest generated, along with some spectacular results, mainly in the field of image generation, has produced an enormous amount of scientific articles related to data generation using the variational auto-encoder. However, its capabilities to extract the factors that allow data generation have not been studied as much. In this work, theoretical and practical basis are provided for further studies on the latent space of the variational auto-encoder from the perspective of representation learning. This work pretends to study the capabilities of the VAE to extract from the training data the factors that allow to group the provided examples according to the labels that have been assigned to them. In this study, a standard auto-encoder is used as the baseline to compare with. The results obtained indicate that the original variational auto-encoder is not able to group the examples any better than a standard auto-encoder. The results clearly illuminate which the next steps in the study of the VAE from the point of view of obtaining representations from a data set: working with the variational auto-encoder to train an encoder that is capable of obtaining representations with some relevant properties to solve a specific problem will probably require the study and development of new VAE variants