学习数据的隐含表示、编码和解码过程、优化目标、无监督学习。
1、学习数据的隐含表示：VAE假设存在一个可以生成观察到数据的隐含变量，并通过学习这个隐含变量的分布来生成新的数据。
2、编码和解码过程：编码器部分的作用是学习输入数据到隐含空间的映射，即将输入数据压缩为一个潜在空间中的点，这个点的坐标由潜在向量表示。解码器部分的作用是学习从隐含空间到输入数据的反向映射，即从编码器产生的潜在向量中采样，然后试图将这个采样点恢复为原始的输入数据。
3、优化目标：VAE的优化目标包括两部分：重构损失，即解码的数据与原始输入数据的差异；KL散度损失，即编码器得到的潜在变量分布与事先假设的分布（比如标准正态分布）的差异。
4、无监督学习：VAE属于自监督学习，它可以从无标注数据中学习到数据的分布，这对于获取数据对应的标签信息比较困难的情况尤为重要。通过以上步骤，VAE能够对数据进行概率建模，生成与训练数据类似的新数据，并在训练过程中不断优化模型参数，以达到更好的性能。
