Metodin todisteiden tietue
Domain-adaptive variational autoencoder
A Domain-Adaptive Variational Autoencoder (DA-VAE) extends the standard VAE framework to learn disentangled latent representations that separate domain-specific variation from class-relevant and domain-invariant content, enabling models trained on a source domain to generalise effectively to a different but related target domain with limited or no target labels.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Domain-Adaptive Variational Autoencoder (DA-VAE)
Taksonominen metoditietue · ml-model / deep-learning
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. · URL
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.