Мултимодален вариационен автоенкодер
Мултимодалният вариационен автоенкодер (MVAE) е дълбок генеративен модел, който научава общо латентно представяне в две или повече модалности данни — като изображения и надписи — използвайки комбинация чрез произведение на експерти от модално-специфични енкодери, което позволява генериране и извод дори когато само подмножество от модалности е наблюдавано по време на тестване.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/bg/deep-learning/multimodal-variational-autoencoder
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Генеративна състезателна мрежаДълбоко обучение↔ сравняване
- Смес от експертиДълбоко обучение↔ сравняване
- Вариационен автоенкодерДълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →