מפענח אוטומטי וריאציוני ניתן להסבר
מפענח אוטומטי וריאציוני ניתן להסבר (XVAE) מרחיב את מסגרת ה-VAE הסטנדרטית עם טכניקות שהופכות את המרחב הסמוי שלו לניתן לפירוש: מפריד מימדים סמויים כך שכל אחד מהם מתאים לגורם הניתן להבנה אנושית, או שיטות ייחוס לאחר אימון (SHAP, גרדיאנטים משולבים) העוקבות אחר שחזורים בחזרה לתכונות הקלט. הוא שומר על הכוח היצירתי של ה-VAE תוך הוספת שקיפות הנדרשת ביישומים מדעיים וביישומים בעלי סיכון גבוה.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/he/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 מכוונן-עדיןלמידה עמוקה↔ compare
- מפענח אוטומטי וריאציוני רב-אופנילמידה עמוקה↔ compare
- Variational Autoencoder מונחה-עצמיתלמידה עמוקה↔ compare
- מפענח אוטומטי וריאציונילמידה עמוקה↔ compare