Προσαρμοστικός σε Πεδία Αυτοκωδικοποιητής Μεταβλητών
Ένας Προσαρμοστικός σε Πεδία Αυτοκωδικοποιητής Μεταβλητών (DA-VAE) επεκτείνει το τυπικό πλαίσιο VAE για να μάθει διαχωρισμένες λανθάνουσες αναπαραστάσεις που διαχωρίζουν τη μεταβλητότητα που είναι ειδική για το πεδίο από το περιεχόμενο που σχετίζεται με την κλάση και είναι ανεξάρτητο του πεδίου, επιτρέποντας σε μοντέλα εκπαιδευμένα σε ένα πεδίο πηγής να γενικεύουν αποτελεσματικά σε ένα διαφορετικό αλλά σχετικό πεδίο στόχο με περιορισμένες ή καθόλου ετικέτες στόχου.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/el/deep-learning/domain-adaptive-variational-autoencoder
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ σύγκριση
- Εκμάθηση μεταφοράςΜηχανική Μάθηση↔ σύγκριση
- Variational AutoencoderΒαθιά Μάθηση↔ σύγκριση
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →