Slabě dohlížený variační autoenkodér
Slabě dohlížený variační autoenkodér (WS-VAE) rozšiřuje standardní generativní rámec VAE o začlenění částečných, zašuměných nebo hrubých dohlížecích signálů – jako jsou crowd-sourcované štítky, heuristická pravidla nebo programatické anotace – k řízení učení latentního prostoru, aniž by vyžadoval plně anotovaná data. Je široce používán v počítačovém vidění, zpracování přirozeného jazyka (NLP) a biomedicínských oblastech, kde jsou kompletní ground-truth štítky drahé nebo nedostupné.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/cs/deep-learning/weakly-supervised-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
- Semisupervisední učeníStrojové učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →