Ασθενώς Επιβλεπόμενος Αυτοκωδικοποιητής Μεταβλητών
Ένας Ασθενώς Επιβλεπόμενος Αυτοκωδικοποιητής Μεταβλητών (WS-VAE) επεκτείνει το τυπικό παραγωγικό πλαίσιο του VAE ενσωματώνοντας μερικά, θορυβώδη ή χονδροειδή σήματα επίβλεψης — όπως ετικέτες από πλήθος, ευριστικούς κανόνες ή προγραμματιστικές σχολιάσεις — για την καθοδήγηση της μάθησης του λανθάνοντος χώρου χωρίς να απαιτείται πλήρως σχολιασμένα δεδομένα. Εφαρμόζεται ευρέως σε τομείς της όρασης υπολογιστών, της επεξεργασίας φυσικής γλώσσας και της βιοϊατρικής, όπου οι πλήρεις ετικέτες αληθείας είναι δαπανηρές ή μη διαθέσιμες.
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. & 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/el/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.
- Γενετικό Ανταγωνιστικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
- Variational AutoencoderΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →