Variational Autoencoder (VAE)
Ένας συνηθισμένος αυτοκωδικοποιητής συμπιέζει κάθε είσοδο σε ένα μοναδικό σημείο σε έναν συμπιεσμένο χώρο, κάτι που είναι καλό για την ανακατασκευή, αλλά δεν αφήνει κανέναν αρχές τρόπο για τη δημιουργία νέων δεδομένων. Ένας VAE αντίθετα αντιστοιχίζει κάθε είσοδο σε ένα μικρό νέφος πιθανότητας — έναν μέσο όρο και μια διασπορά — και αναγκάζει αυτά τα νέφη να παραμένουν κοντά σε μια απλή κατανομή αναφοράς. Επειδή ο λανθάνων χώρος είναι στη συνέχεια ομαλός και συνεχής, μπορείτε να λάβετε ένα νέο σημείο από αυτόν και ο αποκωδικοποιητής το μετατρέπει σε ένα ολοκαίνουργιο, εύλογο παράδειγμα.
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.
+26 more
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/el/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.
- ΑυτοκωδικοποιητήςΒαθιά Μάθηση↔ compare
- Μοντέλο ΔιάχυσηςΒαθιά Μάθηση↔ compare
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Ανάλυση Κύριων ΣυνιστωσώνΜηχανική Μάθηση↔ compare
- Γενετικό μοντέλο βασισμένο στην βαθμίδα (score-based generative model)Βαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →