Autoencodeur variationnel multimodal
L'autoencodeur variationnel multimodal (MVAE) est un modèle génératif profond qui apprend une représentation latente partagée à travers deux modalités de données ou plus — telles que des images et des légendes — en utilisant une fusion par produit d'experts d'encodeurs spécifiques aux modalités, permettant la génération et l'inférence même lorsqu'un sous-ensemble de modalités est observé au moment du test.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/fr/deep-learning/multimodal-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
- Mélange d'expertsApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →