Multimodální variační autoenkodér
Multimodální variační autoenkodér (MVAE) je hluboký generativní model, který se učí sdílenou latentní reprezentaci napříč dvěma nebo více datovými modalitami — jako jsou obrázky a popisky — pomocí fúze specifických enkodérů pro jednotlivé modality metodou součinu expertů (product-of-experts), což umožňuje generování a inferenci, i když je v době testování pozorována pouze podmnožina modalit.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/cs/deep-learning/multimodal-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
- Směs expertůHluboké učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →