Metodin todisteiden tietue
Self-supervised Variational Autoencoder
A Self-supervised Variational Autoencoder (SS-VAE) combines the generative latent-space learning of a standard VAE with self-supervised pretext tasks — such as contrastive augmentation, masked reconstruction, or rotation prediction — to learn richer, more disentangled representations from unlabeled data without any manual annotation.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Self-supervised Variational Autoencoder (SS-VAE)
Taksonominen metoditietue · ml-model / deep-learning
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). · URL
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. · DOI 10.1109/TKDE.2021.3090866
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.