Modèle génératif qui apprend une représentation latente continue et structurée des données en combinant les autoencoders avec l'inférence variationelle bayésienne. L'encodeur ne produit pas un vecteur latent unique mais une distribution gaussienne (moyenne + variance) depuis laquelle on échantillonne. Le décodeur reconstruit les données depuis l'échantillon. La fonction de perte combine la reconstruction (fidélité) et la divergence KL (régularisation de l'espace latent vers une gaussienne standard). Contrairement aux autoencoders classiques, l'espace latent d'un VAE est continu et interpolable : on peut générer de nouvelles données en échantillonnant ou interpolant dans l'espace latent. Applications : génération de données synthétiques, détection d'anomalies (reconstruction error élevée = anomalie), représentations latentes pour la recherche de similarité.