Semi-supervised Variational Autoencoder
Den semi-supervised VAE (M2-modellen) er en dyb generativ metode, der simultant lærer en latent repræsentation af input og en klassifikator, idet den udnytter både mærkede og umærkede eksempler inden for et principielt probabilistisk rammeværk. Introduceret af Kingma et al. i 2014, muliggør den nøjagtig klassifikation, selv når mærkater er sparsomme, ved at lade den generative model forklare umærkede observationer.
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., Mohamed, S., Rezende, D. J., & Wierstra, D. (2014). Semi-supervised learning with deep generative models. Advances in Neural Information Processing Systems (NeurIPS), 27, 3581–3589. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/da/deep-learning/semi-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.
- Generativ modstridende netværkDyb læring↔ compare
- Selv-overvåget Variational AutoencoderDyb læring↔ compare
- Semi-overvåget Convolutional Neural NetworkDyb læring↔ compare
- Semi-superviseret 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 →