Puoliksi ohjattu variaatioautomaattinen enkooderi
Puoliksi ohjattu VAE (M2-malli) on syvä generatiivinen menetelmä, joka oppii samanaikaisesti syötteiden piilevän esityksen ja luokittelijan hyödyntäen sekä merkittyjä että merkitsemättömiä esimerkkejä periaatteellisessa todennäköisyyskehyksessä. Kingma et al. (2014) esittelivät sen, ja se mahdollistaa tarkan luokittelun myös silloin, kun merkintöjä on vähän, koska generatiivinen malli selittää merkitsemättömät havainnot.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Kingma, D. P., Mohamed, S., Rezende, D. J., & Wierstra, D. (2014). Semi-supervised learning with deep generative models. Advances in Neural Information Processing Systems (NeurIPS), 27, 3581–3589. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014). link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/fi/deep-learning/semi-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.
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
- Itseohjautuva variaatioautomaattinen enkooderiSyväoppiminen↔ compare
- Puolivalvottu konvoluutioneuroverkkoSyväoppiminen↔ compare
- Puolivalvottu TransformerSyväoppiminen↔ compare
- Siirto-oppiminen variaatioautomaattisella enkooderillaSyväoppiminen↔ compare
- Variational AutoencoderSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →