Selv-overvåget Variational Autoencoder
En selv-overvåget Variational Autoencoder (SS-VAE) kombinerer den generative indlæring af et standard VAE's latente rum med selv-superviserede fortekstopgaver — såsom kontrastiv augmentation, maskeret rekonstruktion eller rotationsforudsigelse — for at lære rigere, mere adskilte repræsentationer fra umærkede data uden manuel annotering.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/da/deep-learning/self-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.
- Finjusteret Variational AutoencoderDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Multimodal Variational AutoencoderDyb læring↔ compare
- Selvovervåget konvolutionelt neuralt netværkDyb læring↔ compare
- Semi-supervised Variational AutoencoderDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →