Autoencoder Variacional Explicable
Un Autoencoder Variacional Explicable (XVAE) estén de el marc estàndard de VAE amb tècniques que fan el seu espai latent interpretable: desvinculant dimensions latents de manera que cadascuna correspongui a un factor comprensible per l'ésser humà, o mètodes d'atribució post-hoc (SHAP, integrated gradients) que rastregen reconstruccions fins a característiques d'entrada. Conserva el poder generatiu del VAE alhora que afegeix la transparència requerida en aplicacions científiques i d'alt risc.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/ca/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.
- Autoencoder Variacional afinatAprenentatge profund↔ compare
- Autoencodificador Variacional MultimodalAprenentatge profund↔ compare
- Autoencoder Variacional Auto-supervisatAprenentatge profund↔ compare
- Variational AutoencoderAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →