Autoencoder Variacional Débilmente Supervisado
Un Autoencoder Variacional Débilmente Supervisado (WS-VAE) extiende el marco generativo estándar de VAE al incorporar señales de supervisión parciales, ruidosas o gruesas — como etiquetas crowdsourced, reglas heurísticas o anotaciones programáticas — para guiar el aprendizaje del espacio latente sin requerir datos completamente anotados. Se aplica ampliamente en visión por computadora, PNL y dominios biomédicos donde las etiquetas de verdad fundamental completas son costosas o no están disponibles.
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 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/es/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.
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →