这取决于。令为数据的域，即。是来自的样本，遵循某个分布。VAE 的重点是对数据的这种分布进行建模，以便我们可以从中采样。的某些部分将被很好地建模（其中有很多训练示例），而其他部分则很差。$X$$a_i\in X$$D$$X$$P$$X$

所以问题是或的密度不是太低）值。当然，由于在您的情况下看起来，因此 VAE 对这些值进行编码或解码不会有问题；问题在于潜在编码是否有用或合理。它们不一定要在数据集中，但不能离它太远。（这个问题区域通常称为域适应）。换句话说，它将具有作为无界向量空间的“特征坐标” ，但它们是否有用$a_i+a_j$$a_k - a_\ell$$P$$X=\mathbb{R}^d$$X$还是明智的取决于情况。

例如，假设是自然图像，而您所有的都是向日葵的图像。您可以按像素方式的编码不太可能具有合理的潜在表示。但是，如果类似于来自单词模型的嵌入，那么它可能就可以了。$X$$a_i$$a_\alpha + a_\beta = c$$c$$a_i$

）上评估 VAE 的重建性能通常是一个好主意。所以，我会问自己：是否可以被合理地视为测试集的一部分？如果是这样，那么是的，潜在嵌入也可能没问题。$P$$a_i + a_j$