Finjusteret Variational Autoencoder
En finjusteret Variational Autoencoder (VAE) starter med en VAE, der er fortrænet på et stort kildedatasæt, og fortsætter derefter træningen på et mindre måldatasæt. Denne tilgang tilpasser den lærte latente repræsentation og generative kapacitet til nye data, bevarer den generelle struktur, mens den specialiserer sig til måldistributionen – hvilket giver bedre resultater end træning fra bunden, når mærkede eller store måldata er knappe.
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
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Variational Autoencoder (Domain-Adapted VAE). ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-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.
- Finetunet Convolutional Neural NetworkDyb læring↔ compare
- Finjusteret diffusionsmodelDyb læring↔ compare
- Finetunet Generativt Adversarialt NetværkDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- Overførselslæring med Variational AutoencoderDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →