Em um autoencoder, os dados de entrada são transformados em uma representação comprimida chamada espaço latente. Essa representação busca condensar características relevantes do dado original, permitindo que o modelo depois reconstrua a entrada. Em contextos mais avançados, o espaço latente pode ser explorado para criar novas amostras plausíveis, funcionando como um tipo de “mapa criativo”, no qual pequenas variações podem levar à geração de novos exemplos semelhantes aos observados no treinamento. Considerando esse contexto, analise as afirmações a seguir. Ao modificar pontos no espaço latente de um autoencoder, pode-se obter variações plausíveis dos dados originais, desde que a representação aprendida capture características relevantes. O espaço latente de um autoencoder serve apenas para armazenar cópias exatas dos dados de entrada, sem qualquer possibilidade de generalização. Se o modelo aprendeu uma organização consistente no espaço latente, então pontos próximos nesse espaço tendem a representar dados com características semelhantes. Explorar o espaço latente pode permitir a geração de exemplos novos e coerentes, mesmo que esses exemplos não correspondam exatamente a instâncias vistas durante