Autoencoder Variacional Explicable
Un Autoencoder Variacional Explicable (XVAE) extiende el marco estándar del VAE con técnicas que hacen interpretable su espacio latente: desvinculando dimensiones latentes para que cada una corresponda a un factor comprensible para el ser humano, o mediante métodos de atribución post-hoc (SHAP, gradientes integrados) que rastrean las reconstrucciones hasta las características de entrada. Conserva la capacidad generativa del VAE al tiempo que añade la transparencia requerida en aplicaciones científicas y de alto riesgo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/es/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.
- Autoencoder Variacional AjustadoAprendizaje profundo↔ compare
- Autoencoder Variacional MultimodalAprendizaje profundo↔ compare
- Autoencoder Variacional Auto-supervisadoAprendizaje profundo↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →