Autoencodeur variationnel auto-supervisé
Un autoencodeur variationnel auto-supervisé (SS-VAE) combine l'apprentissage de l'espace latent génératif d'un VAE standard avec des tâches prétextes auto-supervisées — telles que l'augmentation contrastive, la reconstruction masquée ou la prédiction de rotation — pour apprendre des représentations plus riches et mieux désenchevêtrées à partir de données non étiquetées, sans aucune annotation manuelle.
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 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/fr/deep-learning/self-supervised-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
- Réseau antagoniste génératifApprentissage profond↔ compare
- Autoencodeur variationnel multimodalApprentissage profond↔ compare
- Réseau de neurones convolutif auto-superviséApprentissage profond↔ compare
- Autoencodeur variationnel semi-superviséApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →