Weakly Supervised Variational Autoencoder
A Weakly Supervised Variational Autoencoder (WS-VAE) extends the standard VAE generative framework by incorporating partial, noisy, or coarse supervision signals — such as crowd-sourced labels, heuristic rules, or programmatic annotations — to guide latent space learning without requiring fully annotated data. It is widely applied in computer vision, NLP, and biomedical domains where complete ground-truth labels are expensive or unavailable.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the International Conference on Learning Representations (ICLR 2014). · URL
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.