Variational Autoencoder
Variational Autoencoder (VAE) on esitelty vuonna 2014 Diederik Kingman ja Max Wellingin kehittämä syvä generatiivinen latenttimuuttujamalli, joka koodaa datan todennäköisyysjakaumaksi latenttitilassa ja ottaa otoksia tästä jakaumasta uusien esimerkkien generoimiseksi. Sitä käytetään datan generointiin, poikkeamien havaitsemiseen ja piirteiden oppimiseen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/fi/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.
- AutoenkooderiSyväoppiminen↔ compare
- DiffuusiomalliSyväoppiminen↔ compare
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- Generatiivinen pistemalliSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →