本案例依原書 3.4.2 VAE 與 Table 3.1 整理。
理解 Variational Autoencoder（VAE）的 Probabilistic Inference、Latent Space 與生成用途。
VAE 將 Input 編碼成 Latent Representation，再 Decode 生成新 Sample；Structured／Continuous Latent Space 支援 Smooth Transition 與 Attribute Manipulation。
| 面向 | 原書內容 | 用途／限制 |
|---|---|---|
| Encoder | Input → Latent Representation | Probabilistic Encoding |
| Latent Space | Structured、Continuous | Interpolation／Controlled Variation |
| Decoder | Latent → New Sample | Reconstruction／Generation |
| Applications | Image／Text Generation | Missing Data Reconstruction、Semantic Exploration |
| Table 3.1 | Strengths: Structured Latent Space、Good Reconstruction | Limitations: Blurry Outputs、Limited Realism |
Excel 可整理 Latent Dimension、Reconstruction Error、Use Case；AI 可解釋 Latent Factor，但未提供 Dimension 時不得猜值。
原書沒有固定 Latent Dimension 或 Reconstruction Score。
VAE 的優勢在可解釋、可操控的 Latent Space，但 Table 3.1 同時指出 Output 可能較模糊、Realism 受限。
請用 Encoder → Latent Space → Decoder 解釋 VAE，並比較其 Controlled Generation 優勢與 Blurry Output 限制。