Autoencodeur variationnel semi-supervisé
Le VAE semi-supervisé (modèle M2) est une méthode générative profonde qui apprend conjointement une représentation latente des entrées et un classifieur, en exploitant des exemples étiquetés et non étiquetés dans un cadre probabiliste rigoureux. Introduit par Kingma et al. en 2014, il permet une classification précise même lorsque les étiquettes sont rares, le modèle génératif expliquant les observations non étiquetées.
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., Mohamed, S., Rezende, D. J., & Wierstra, D. (2014). Semi-supervised learning with deep generative models. Advances in Neural Information Processing Systems (NeurIPS), 27, 3581–3589. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/fr/deep-learning/semi-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.
- Réseau antagoniste génératifApprentissage profond↔ compare
- Autoencodeur variationnel auto-superviséApprentissage profond↔ compare
- CNN convolutive semi-superviséeApprentissage profond↔ compare
- Transformeur semi-superviséApprentissage profond↔ compare
- Apprentissage par transfert avec autoencodeur variationnelApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →