Svagt overvåget Variational Autoencoder
En Svagt Overvåget Variational Autoencoder (WS-VAE) udvider det standard VAE generative rammeværk ved at inkorporere partielle, støjende eller grove overvågningssignaler — såsom crowd-sourced etiketter, heuristiske regler eller programmatiske annotationer — for at guide indlæringen af latent rum uden at kræve fuldt annoterede data. Den anvendes bredt inden for computer vision, NLP og biomedicinske domæner, hvor komplette ground-truth etiketter er dyre eller utilgængelige.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/da/deep-learning/weakly-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
- Semi-supervised LearningMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →