Generative vs Discriminative Models: เมื่อ AI ต้องสร้าง กับ ต้องตัดสิน

เปรียบเทียบระหว่าง Generative Models และ Discriminative Models

1. แนวคิด

Generative Models

• เรียนรู้ distribution joint ของข้อมูล P(x, y) = P(x|y)P(y)
• พยายามเข้าใจว่า “ข้อมูลถูกสร้างขึ้นอย่างไร”
• สามารถ generate ตัวอย่างใหม่ได้ เช่น ภาพ, ข้อความ, เสียง

ตัวอย่างโมเดล

• Naive Bayes
• Gaussian Mixture Models (GMM)
• Hidden Markov Models (HMM)
• Variational Autoencoder (VAE)
• GANs
• Diffusion Models (Stable Diffusion, DALL·E)

Discriminative Models

• เรียนรู้ boundary หรือความสัมพันธ์เชิงเงื่อนไข P(y|x)
• สนใจเฉพาะ “ให้ข้อมูลนี้ ควร classify เป็นอะไร?”
• มักให้ accuracy สูงกว่า generative สำหรับ classification

ตัวอย่างโมเดล

• Logistic Regression
• Support Vector Machines (SVM)
• Random Forest / XGBoost
• Neural Networks / Transformers สำหรับ classification

2. ความสามารถหลัก

3. ตัวอย่างความแตกต่าง (โดยสัญชาตญาณ)

ถ้ามีรูปหมา/แมว

• Generative จะเรียนรู้ “หน้าตาของหมาเป็นอย่างไร? แมวเป็นอย่างไร?”แล้วค่อยตัดสินว่าอันนี้น่าจะเป็นหมาหรือแมว
• Discriminative จะเรียนรู้ “ขอบเขตระหว่างหมา/แมว”โดยไม่สนใจว่าแมวมีลักษณะทั้งหมดอะไรบ้าง

4. ข้อดี–ข้อเสีย

Generative Model

ข้อดี

• ใช้ทำ data augmentation
• ใช้ inpainting, denoising, anomaly detection
• ใช้ทำ recommendation (เช่น generative ranking model)

ข้อเสีย

• Training ยากกว่า (เช่น GAN/Diffusion)
• มักต้องการ data จำนวนมาก
• สำหรับ classification ประสิทธิภาพจะน้อยกว่า discriminative

Discriminative Model

ข้อดี

• Training เร็วกว่า
• Performance ดีในงาน supervised
• ใช้กับ tabular data ได้ดี (Tree-based models)

ข้อเสีย

• ทำ generative tasks ไม่ได้
• ไม่สามารถ modeling ข้อมูล x โดยตรง 

5. ใช้เมื่อไหร่ดีกว่าอะไร?

6. สรุป

• Generative = เข้าใจรูปแบบการสร้างข้อมูล + สร้างข้อมูลใหม่ได้
• Discriminative = สนใจแค่ตัดสินใจว่า input → class อะไร