Autoencodeur variationnel faiblement supervisé
Un autoencodeur variationnel faiblement supervisé (WS-VAE) étend le cadre génératif standard des VAE en intégrant des signaux de supervision partiels, bruités ou grossiers — tels que des étiquettes issues de la foule, des règles heuristiques ou des annotations programmatiques — pour guider l'apprentissage de l'espace latent sans nécessiter de données entièrement annotées. Il est largement appliqué dans les domaines de la vision par ordinateur, du NLP et de la biomédecine, où les étiquettes de vérité terrain complètes sont coûteuses ou indisponibles.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/fr/deep-learning/weakly-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
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →