Обясним вариационен автоенкодер
Обяснимият вариационен автоенкодер (XVAE) разширява стандартната VAE рамка с техники, които правят латентното му пространство интерпретируемо: чрез разплитане на латентни измерения, така че всяко да съответства на разбираем за човека фактор, или чрез методи за пост-хок атрибуция (SHAP, интегрирани градиенти), които проследяват реконструкциите до входните характеристики. Той запазва генеративната сила на VAE, като същевременно добавя прозрачност, необходима в научни приложения и приложения с висок риск.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., Mohamed, S., & Lerchner, A. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/bg/deep-learning/explainable-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.
- Фино настроен вариационен автоенкодерДълбоко обучение↔ compare
- Мултимодален вариационен автоенкодерДълбоко обучение↔ compare
- Самообучаващ се вариационен автоенкодерДълбоко обучение↔ compare
- Вариационен автоенкодерДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →