في عالم الذكاء الاصطناعي، تمثل نماذج الترميز التبادلي (Variational Autoencoders - VAEs) أداة قائمة منذ زمن طويل لتوليد العينات من تمثيلات احتمالية خفية. ومع ذلك، كانت هناك حاجة ملحة لتمييز عدم اليقين حول مواقع المتغيرات عن التباين المرتبط بها.

يأتي هنا ELVAE (Evidential Learning-Based Variational Autoencoder)، ليقدم نظامًا جديدًا يستند إلى التعلم القائم على الأدلة، حيث يتم التحكم في كل إحداثي خفي بواسطة Posterior يعتمد على مدخلات من نوع normal-inverse-gamma. هذه الهيكلية تتيح عدم يقين محدد للموقع الخفي يمكن الاستفادة منه أثناء عملية التوليد، بدلاً من مجرد الإبلاغ عنه بعد الاستدلال.

من المثير للاهتمام أن ELVAE يعتبر نقاط الارتكاز منخفضة عدم اليقين مراكز دعم أكثر موثوقية للعينات الصناعية، بينما يمكن استغلال نقاط الارتكاز عالية عدم اليقين لاختبارات الضغط. على سبيل المثال، تم إجراء تجارب توليد باستخدام مجموعة بيانات MNIST، حيث تمكن النموذج من توزيع موثوقية دلالات الأرقام المولدة بشكل واضح.

وظهر أن ضبط توازن عدم اليقين بين التصنيفات يمكن أن يزيد من موثوقية إعادة إنتاج نقطة الارتكاز. تُعتبر هذه النتائج نقطة تحول في استخدام عدم اليقين كمتغير تحكم في جيل العينات، مما يميز موثوقية النقاط المولدة عن الفشل الناتج عن الاضطرابات.