Semi-supervised Variational Autoencoder
Der semi-supervised VAE (M2-Modell) ist eine tiefe generative Methode, die gemeinsam eine latente Repräsentation von Eingaben und einen Klassifikator lernt, wobei sowohl gelabelte als auch ungelabelte Beispiele in einem prinzipiellen probabilistischen Rahmen genutzt werden. Eingeführt von Kingma et al. im Jahr 2014, ermöglicht er eine genaue Klassifizierung auch bei knappen Labels, indem das generative Modell ungelabelte Beobachtungen erklärt.
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., 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/de/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.
- Generative Adversarial NetworkDeep Learning↔ compare
- Self-supervised Variational AutoencoderDeep Learning↔ compare
- Semi-überwachtes Faltungsneuronales NetzDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Transfer Learning mit Variational AutoencoderDeep Learning↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →