Autoencoder Variacional Auto-supervisado
Un Autoencoder Variacional Auto-supervisado (SS-VAE) combina el aprendizaje del espacio latente generativo de un VAE estándar con tareas pretexto auto-supervisadas —tales como aumentación contrastiva, reconstrucción enmascarada o predicción de rotación— para aprender representaciones más ricas y desentrelazadas a partir de datos no etiquetados sin ninguna anotación manual.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/es/deep-learning/self-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.
- Autoencoder Variacional AjustadoAprendizaje profundo↔ compare
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Autoencoder Variacional MultimodalAprendizaje profundo↔ compare
- Red Neuronal Convolucional AutosupervisadaAprendizaje profundo↔ compare
- Autoencoder Variacional Semi-supervisadoAprendizaje profundo↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →