# MIT 6.S191: Deep Generative Modeling

- Channel: [Alexander Amini](https://www.youtube.com/channel/UCtslD4DGH6PKyG_1gFAX7sg)
- Published: 2026-04-20
- Source video: [Watch on YouTube](https://youtube.com/watch?v=R8V8CbuxryI)
- Read on ReadTube: https://www.read.tube/p/videos/R8V8CbuxryI
- Language: Simplified Chinese

## Summary

**深度生成建模**

本视频介绍了生成建模的基础，核心思想是学习数据的概率分布，从而既能刻画数据结构，也能生成新的样本。讲者重点讲解了自编码器、变分自编码器和生成对抗网络，说明它们如何通过压缩表示、重构损失、分布正则化和对抗训练来实现表示学习与样本生成，并强调其在去偏、异常检测、图像生成和药物发现等领域的广泛应用。

这场讲座介绍了生成式建模的核心：不是只学会分类或回归，而是直接学习数据的概率分布，从而既能刻画数据结构，也能采样生成新样本。它强调生成式模型的价值远不止图像生成，还包括去偏、异常检测，以及生物和化学中的应用。

讲座重点讲了三类基础方法。自编码器通过“编码—重建”把高维数据压缩到低维潜变量，靠重建误差进行无监督学习，但本身是确定性的，难以直接生成多样样本。变分自编码器在潜变量中引入均值和方差，并加入与先验分布的正则化，使潜空间更连续、更完整，同时通过重参数化技巧实现可反向传播训练。生成对抗网络则用生成器和判别器对抗训练，把简单噪声映射到真实数据分布，最终实现高质量样本生成；其优点是生成能力强，但训练更不稳定。

整体结论是：生成式建模的关键在于学习“分布”而非只学习“标签”，而不同方法分别侧重于表示学习、可控采样和高逼真生成。这些基础思想构成了当代生成式人工智能的起点。