Schwacher überwachter Variationsautoencoder
Ein schwach überwachter Variationsautoencoder (WS-VAE) erweitert das Standard-VAE-Generierungsframework durch die Einbeziehung von partiellen, verrauschten oder groben Überwachungssignalen – wie z. B. aus Crowdsourcing gewonnene Labels, heuristische Regeln oder programmatische Annotationen –, um das Lernen des latenten Raums zu steuern, ohne dass vollständig annotierte Daten erforderlich sind. Er wird häufig in den Bereichen Computer Vision, NLP und Biomedizin eingesetzt, wo vollständige Ground-Truth-Labels teuer oder nicht verfügbar sind.
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 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/de/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.
- Generative Adversarial NetworkDeep Learning↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →