Ημι-επιβλεπόμενος Παραγωγικός Αυτοκωδικοποιητής
Ο ημι-επιβλεπόμενος VAE (μοντέλο M2) είναι μια βαθιά παραγωγική μέθοδος που μαθαίνει ταυτόχρονα μια λανθάνουσα αναπαράσταση εισόδων και έναν ταξινομητή, αξιοποιώντας τόσο επισημασμένα όσο και μη επισημασμένα παραδείγματα σε ένα αρχές πιθανοτικό πλαίσιο. Παρουσιάστηκε από τους Kingma et al. το 2014, επιτρέπει ακριβή ταξινόμηση ακόμη και όταν οι ετικέτες είναι σπάνιες, έχοντας το παραγωγικό μοντέλο να εξηγεί τις μη επισημασμένες παρατηρήσεις.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/el/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.
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Αυτο-επιβλεπόμενος Παραλλακτικός ΑυτοκωδικοποιητήςΒαθιά Μάθηση↔ compare
- Ημι-εποπτευόμενο Συνελικτικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενος ΜετασχηματιστήςΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Παραλλακτικό ΑυτοκωδικοποιητήΒαθιά Μάθηση↔ compare
- Variational AutoencoderΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →