Model de difusió semi-supervisat
Un model de difusió semi-supervisat estén el marc probabilístic de difusió de denoising a entorns on només una fracció de les mostres d'entrenament porten etiquetes de classe. Combinant una xarxa de difusió incondicional amb un classificador lleuger entrenat amb exemples etiquetats, aprèn a generar sortides d'alta qualitat condicionades per etiqueta, tot i que aprofita l'estructura de les dades no etiquetades.
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
- Sohl-Dickstein, J., Weiss, E., Maheswaranathan, N., & Ganguli, S. (2015). Deep Unsupervised Learning using Nonequilibrium Thermodynamics. Proceedings of the 32nd International Conference on Machine Learning (ICML), 2256–2265. link ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Diffusion Model for Generative Learning with Partial Labels. ScholarGate. https://scholargate.app/ca/deep-learning/semi-supervised-diffusion-model
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.
- Generative Adversarial NetworkAprenentatge profund↔ compare
- Aprenentatge semi-supervisatAprenentatge automàtic↔ compare
- Variational AutoencoderAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →