Variational Autoencodeur à Adaptation de Domaine
Un autoencodeur variationnel à adaptation de domaine (DA-VAE) étend le cadre standard des VAE pour apprendre des représentations latentes désenchevêtrées qui séparent la variation spécifique au domaine du contenu pertinent pour la classe et invariant au domaine, permettant aux modèles entraînés sur un domaine source de généraliser efficacement à un domaine cible différent mais apparenté, avec peu ou pas d'étiquettes cibles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/fr/deep-learning/domain-adaptive-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.
- Réseau antagoniste génératifApprentissage profond↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →