Siirto-oppiminen variaatioautomaattisella enkooderilla
Variaatioautomaattisella enkooderilla (TL-VAE) toteutettu siirto-oppiminen hyödyntää suurta lähdedataa varten esikoulutettua enkooderia ja/tai dekooderia ja mukauttaa sen pienempään kohdedomainiin. Perimällä rikkaan todennäköisyyspohjaisen piilevän tilan satunnaisista painoista aloittamisen sijaan TL-VAE vähentää dramaattisesti kohdedomainin datan määrää, jota tarvitaan korkealaatuiseen generointiin tai representaatio-oppimiseen.
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., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014). link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Variational Autoencoder. ScholarGate. https://scholargate.app/fi/deep-learning/transfer-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.
- Hienosäädetty generoiva kilpaileva verkkoSyväoppiminen↔ compare
- Hienosäädetty variaatioautokooderiSyväoppiminen↔ compare
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
- Puoliksi ohjattu variaatioautomaattinen enkooderiSyväoppiminen↔ compare
- Siirto-oppiminen konvoluutionaalisella neuroverkollaSyväoppiminen↔ compare
- Variational AutoencoderSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →