Variational Autoencoder
Un autoencoder ordinari comprimeix cada entrada en un punt únic en un espai comprimit, cosa que és bona per a la reconstrucció però no deixa cap manera principista de crear dades noves. Un VAE, en canvi, mapeja cada entrada a un petit núvol de probabilitat —una mitjana i una dispersió— i força aquests núvols a mantenir-se prop d'una distribució de referència simple. Com que l'espai latent és llavors suau i continu, podeu extreure un punt nou d'ell i el descodificador el converteix en un exemple completament nou i plausible.
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.
+26 more
Fonts
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/ca/deep-learning/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.
- AutoencoderAprenentatge profund↔ compare
- Model de difusióAprenentatge profund↔ compare
- Generative Adversarial NetworkAprenentatge profund↔ compare
- Anàlisi de Components PrincipalsAprenentatge automàtic↔ compare
- Model generatiu basat en la puntuacióAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →