Model samonadziranog širenja
Model samonadziranog širenja (self-supervised diffusion model) spaja iterativni proces generiranja šuma i uklanjanja šuma probabilističkih modela širenja (denoising diffusion probabilistic models) s ciljem učenja samonadziranih reprezentacija — kao što je kontrastivni gubitak ili gubitak predviđanja maskiranog sadržaja — tako da model istovremeno uči generirati realistične podatke i proizvoditi semantički smislene reprezentacije bez potrebe za označenim primjerima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/hr/deep-learning/self-supervised-diffusion-model
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.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Varijacijski autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →