Domæneadaptiv Variational Autoencoder
En Domæneadaptiv Variational Autoencoder (DA-VAE) udvider det standard VAE-rammeværk for at lære adskilte latente repræsentationer, der adskiller domænespecifik variation fra klasserelevant og domæneinvariant indhold. Dette gør det muligt for modeller trænet på et kildedomæne at generalisere effektivt til et andet, men relateret, måldomæne med begrænsede eller ingen måletiketter.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/da/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.
- Generativ modstridende netværkDyb læring↔ compare
- OverførselslæringMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →