في تعلم الآلة، يُعد المشفّر التلقائي التغايري (VAE) بنية شبكة عصبونية اصطناعية قدمها ديدريك بي. كينغما وماكس ويلينغ في عام 2013. وهو جزء من عائلات النماذج البيانية الاحتمالية وطرق بايزية تغايرية.
بالإضافة إلى اعتباره بنية شبكة عصبونية لـ مشفّر تلقائي، يمكن أيضاً دراسة المشفرات التلقائية التغايرية ضمن الصياغة الرياضية لـ الطرق البايزية التغايرية، حيث تربط شبكة المشفّر (Encoder) العصبونية بمفكك التشفير (Decoder) الخاص بها من خلال فضاء كامن احتمالي (على سبيل المثال، كـ توزيع غاوسي متعدد المتغيرات) والذي يتوافق مع معلمات التوزيع التغايري.
وهكذا، يقوم المشفّر بتعيين كل نقطة (مثل صورة) من مجموعة بيانات معقدة وكبيرة إلى توزيع داخل الفضاء الكامن، بدلاً من نقطة واحدة في ذلك الفضاء. ويكون لمفكك التشفير الوظيفة المعاكسة، وهي التعيين من الفضاء الكامن إلى فضاء الإدخال، مرة أخرى وفقاً لتوزيع معين (على الرغم من أنه في الممارسة العملية، نادراً ما يتم إضافة ضوضاء أثناء مرحلة فك التشفير). من خلال تعيين نقطة إلى توزيع بدلاً من نقطة واحدة، يمكن للشبكة تجنب فرط ملاءمة (Overfitting) بيانات التدريب. عادة ما يتم تدريب كلتا الشبكتين معاً باستخدام خدعة إعادة المعلمة (reparameterization trick)، على الرغم من أن تباين نموذج الضوضاء يمكن تعلمه بشكل منفصل.
على الرغم من أن هذا النوع من النماذج صُمم في البداية لـ تعلم غير مراقب، إلا أن فعاليته قد أثبتت في تعلم شبه مراقب وتعلم مراقب.