Halbüberwachtes Diffusionsmodell
Ein semi-supervised Diffusion Model erweitert das Framework der Denoising Diffusion Probabilistic Models auf Szenarien, in denen nur ein Bruchteil der Trainingsstichproben Klassenlabels trägt. Durch die Kombination eines unbedingten Diffusions-Backbones mit einem leichtgewichtigen Klassifikator, der auf gelabelten Beispielen trainiert wird, lernt das Modell, qualitativ hochwertige, label-konditionierte Ausgaben zu generieren und nutzt dabei gleichzeitig die Struktur in ungelabelten Daten.
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
- Sohl-Dickstein, J., Weiss, E., Maheswaranathan, N., & Ganguli, S. (2015). Deep Unsupervised Learning using Nonequilibrium Thermodynamics. Proceedings of the 32nd International Conference on Machine Learning (ICML), 2256–2265. link ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Diffusion Model for Generative Learning with Partial Labels. ScholarGate. https://scholargate.app/de/deep-learning/semi-supervised-diffusion-model
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.
- Generative Adversarial NetworkDeep Learning↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →