Autoencodeur Variationnel Explicable
Un Autoencodeur Variationnel Explicable (XVAE) étend le cadre standard des VAE avec des techniques qui rendent son espace latent interprétable : désenchevêtrement des dimensions latentes de sorte que chacune corresponde à un facteur compréhensible par l'homme, ou méthodes d'attribution post-hoc (SHAP, gradients intégrés) qui retracent les reconstructions jusqu'aux caractéristiques d'entrée. Il conserve la puissance générative du VAE tout en ajoutant la transparence requise dans les applications scientifiques et à enjeux élevés.
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
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., Mohamed, S., & Lerchner, A. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/fr/deep-learning/explainable-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.
- Variational Autoencoder affinéApprentissage profond↔ compare
- Autoencodeur variationnel multimodalApprentissage profond↔ compare
- Autoencodeur variationnel auto-superviséApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →