Variational Autoencoder (VAE)
یک رمزگذار خودکار معمولی، هر ورودی را به یک نقطه واحد در فضای فشرده فشرده میکند که برای بازسازی خوب است، اما راه اصولی برای ایجاد دادههای جدید باقی نمیگذارد. در عوض، VAE هر ورودی را به یک ابر احتمال کوچک - میانگین و پراکندگی - نگاشت میکند و این ابرها را مجبور میکند تا به یک توزیع مرجع ساده نزدیک بمانند. از آنجایی که فضای پنهان سپس هموار و پیوسته است، میتوان یک نقطه تازه از آن ترسیم کرد و رمزگشا آن را به یک مثال کاملاً جدید و قابل قبول تبدیل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
منابع
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/fa/deep-learning/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.
- خودرمزگذاریادگیری عمیق↔ compare
- مدل انتشار (Diffusion Model)یادگیری عمیق↔ compare
- شبکه مولد تخاصمییادگیری عمیق↔ compare
- تحلیل مؤلفههای اصلییادگیری ماشین↔ compare
- مدل مولد مبتنی بر امتیازیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →