Dados experimentais de desempenho e modelos treinados de arquiteturas de autoencoder (CAE, VAE, AAE, RealNVP-AE) nos conjuntos de dados SVHN e Synthetic Digits

Os dados avaliam reconstrução, geração e robustez do espaço latente. METODOLOGIA E NATUREZA: Experimentos realizados com os datasets SVHN (Street View House Numbers) e SD (Synthetic Digits), com treinamentos sob diversas dimensões latentes e extração de métricas de preservação local e organização latente, incluindo testes de robustez cruzada.

CONTEÚDO DO DEPÓSITO: Inclui arquivos de pesos (.h5); históricos de treinamento (.csv); tabelas de métricas de desempenho (m_metrics, z_metrics e parâmetros); índices de erro de reconstrução (RMSE) e classificadores ResNet18 (modelos avaliadores). FINALIDADE: Dados destinados à reprodutibilidade de pesquisa de mestrado e base comparativa para estudos em Deep Learning e Visão Computacional.