Modelo de difusión semi-supervisado
Un modelo de difusión semi-supervisado extiende el marco probabilístico de difusión de eliminación de ruido a entornos donde solo una fracción de las muestras de entrenamiento tiene etiquetas de clase. Al combinar una columna vertebral de difusión incondicional con un clasificador ligero entrenado con ejemplos etiquetados, aprende a generar resultados de alta calidad condicionados por etiquetas, al tiempo que aprovecha la estructura de los datos no etiquetados.
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
- Sohl-Dickstein, J., Weiss, E., Maheswaranathan, N., & Ganguli, S. (2015). Deep Unsupervised Learning using Nonequilibrium Thermodynamics. Proceedings of the 32nd International Conference on Machine Learning (ICML), 2256–2265. link ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Diffusion Model for Generative Learning with Partial Labels. ScholarGate. https://scholargate.app/es/deep-learning/semi-supervised-diffusion-model
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.
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →