Performance dei Variational Autoencoders in relazione al training set

Questa tesi tratta di modelli generativi in ambito di deep learning e delle metriche utilizzate per valutarli. In particolare si analizza la Frechét Inception Distance (FID), il funzionamento dei Variational Autoencoders (VAE) e le diverse strategie che si possono adottare per comporre il training set per migliorare le performance di questi ultimi in fase generativa. Vengono inoltre trattate l'adozione di un'architettura a due livelli e la stima ex-post della distribuzione dello spazio latente. Viene altresì condotto uno studio sul comportamento della FID in base al dataset usato, e in particolare dataset composti da immagini ripetute progressivamente e dataset contenenti immagini scomposte in varie sezioni e ricomposte casualmente. Unitamente allo studio sopracitato si prova a selezionare il dataset secondo due criteri. Il primo criterio, l'errore di ricostruzione, permette di selezionare le immagini sulle quali il VAE ha meno difficoltà in fase di ricostruzione. Il secondo criterio, la distanza di Mahalanobis, permette di calcolare quanto un'immagine sia rappresentativa dell'insieme delle immagini usate per calcolare la FID. In conclusione, i risultati ottenuti vengono presentati e confrontati con i risultati in bibliografia.