Overførselslæring med Variational Autoencoder
Overførselslæring med en Variational Autoencoder (TL-VAE) genbruger en encoder og/eller decoder, der er forhåndstrænet på et stort kildedatasæt, og tilpasser den til et mindre måldomæne. Ved at arve et rigt probabilistisk latent rum i stedet for at starte fra tilfældige vægte, reducerer TL-VAE dramatisk mængden af måldomænedata, der er nødvendig for generering af høj kvalitet eller repræsentationslæring.
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. 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). Transfer Learning with Variational Autoencoder. ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-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 Generativt Adversarialt NetværkDyb læring↔ compare
- Finjusteret Variational AutoencoderDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Semi-supervised Variational AutoencoderDyb læring↔ compare
- Transferlæring med konvolutionelle neurale netværkDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →