Variationaler Autoencoder
Der Variational Autoencoder (VAE) ist ein tiefes generatives latentes Variablenmodell, das 2014 von Diederik Kingma und Max Welling eingeführt wurde. Es kodiert Daten als Wahrscheinlichkeitsverteilung in einem latenten Raum und zieht Stichproben aus dieser Verteilung, um neue Beispiele zu generieren. Es wird zur Datengenerierung, Anomalieerkennung und Merkmalslernen verwendet.
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.
+26 more
Quellen
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/de/deep-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.
- AutoencoderDeep Learning↔ compare
- Diffusion ModelDeep Learning↔ compare
- Generative Adversarial NetworkDeep Learning↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
- Score-basiertes generatives ModellDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →