المُشَفِّر التَّلَائُمِيّ ذو الإشراف الضعيف
يُوَسِّع المُشَفِّر التَّلَائُمِيّ ذو الإشراف الضعيف (WS-VAE) إطار العمل التوليدي القياسي للمُشَفِّر التَّلَائُمِيّ (VAE) عن طريق دمج إشارات إشراف جزئية، أو مشوشة، أو تقريبية — مثل التصنيفات المجمعة، أو القواعد الاستدلالية، أو الشروحات البرمجية — لتوجيه تعلم الفضاء الكامن دون الحاجة إلى بيانات مُعَلَّمة بالكامل. يُطبَّق على نطاق واسع في مجالات الرؤية الحاسوبية، ومعالجة اللغات الطبيعية، والمجالات الطبية الحيوية حيث تكون تسميات الحقيقة الأساسية الكاملة باهظة الثمن أو غير متوفرة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/ar/deep-learning/weakly-supervised-variational-autoencoder
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شبكة الخصومة التوليديةالتعلم العميق↔ compare
- التعلم شبه المُشرفتعلم الآلة↔ compare
- المشفّر التلقائي التباينيالتعلم العميق↔ compare