Machine learningDeep learning / NLP / CV

Explainable Variational Autoencoder

Ένας Επεξηγήσιμος Αυτοκωδικοποιητής Μεταβλητότητας (Explainable Variational Autoencoder - XVAE) επεκτείνει το τυπικό πλαίσιο του VAE με τεχνικές που καθιστούν τον λανθάνοντα χώρο του ερμηνεύσιμο: αποσυνδέοντας τις λανθάνουσες διαστάσεις έτσι ώστε κάθε μία να αντιστοιχεί σε έναν παράγοντα κατανοητό από τον άνθρωπο, ή με μεθόδους μετα-υστερημένης απόδοσης (post-hoc attribution methods) (SHAP, integrated gradients) που ανιχνεύουν ανακατασκευές πίσω σε χαρακτηριστικά εισόδου. Διατηρεί τη γενετική ισχύ του VAE προσθέτοντας τη διαφάνεια που απαιτείται σε επιστημονικές και κρίσιμες εφαρμογές.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link
  2. Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., Mohamed, S., & Lerchner, A. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/el/deep-learning/explainable-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.

Compare side by side

Αναφέρεται από

ScholarGateExplainable Variational Autoencoder (Explainable Variational Autoencoder (XVAE / Interpretable VAE)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/explainable-variational-autoencoder · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026