Self-supervised Variational Autoencoder
Ein Self-supervised Variational Autoencoder (SS-VAE) kombiniert das generative Lernen eines latenten Raums eines Standard-VAE mit selbstüberwachten Prätext-Aufgaben – wie kontrastive Augmentierung, maskierte Rekonstruktion oder Rotationsvorhersage –, um reichhaltigere, besser entwirrte Repräsentationen aus unbeschrifteten Daten ohne manuelle Annotation zu lernen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/de/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.
- Feinabgestimmter Variational AutoencoderDeep Learning↔ compare
- Generative Adversarial NetworkDeep Learning↔ compare
- Multimodaler Variational AutoencoderDeep Learning↔ compare
- Selbstüberwachtes Convolutional Neural NetworkDeep Learning↔ compare
- Semi-supervised Variational AutoencoderDeep Learning↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →