Vysvětlitelný variační autoenkodér
Vysvětlitelný variační autoenkodér (XVAE) rozšiřuje standardní rámec VAE o techniky, které činí jeho latentní prostor interpretovatelným: rozplétání latentních dimenzí tak, aby každá odpovídala lidsky srozumitelnému faktoru, nebo post-hoc atribuční metody (SHAP, integrované gradienty), které sledují rekonstrukce zpět k vstupním rysům. Zachovává generativní sílu VAE a zároveň přidává transparentnost požadovanou ve vědeckých aplikacích a aplikacích s vysokými sázkami.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/cs/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.
- Jemně doladěný variační autoenkodérHluboké učení↔ compare
- Multimodální variační autoenkodérHluboké učení↔ compare
- Samo-dohledový variační autoenkodérHluboké učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →