Doménově adaptovaný varianční autoenkodér
Domain-Adaptive Variational Autoencoder (DA-VAE) rozšiřuje standardní rámec VAE pro učení se disentangled latentních reprezentací, které oddělují specifické variace domény od obsahu relevantního pro třídu a invariantního vůči doméně, což umožňuje modelům trénovaným na zdrojové doméně efektivně generalizovat na odlišnou, ale související cílovou doménu s omezenými nebo žádnými cílovými popisky.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/cs/deep-learning/domain-adaptive-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.
- Generativní adversariální síťHluboké učení↔ compare
- Přenosové učeníStrojové učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →