Varijacijski autoenkoder
Varijacijski autoenkoder (VAE) duboki je generativni model latentnih varijabli, koji su 2014. predstavili Diederik Kingma i Max Welling, a koji kodira podatke kao distribuciju vjerojatnosti u latentnom prostoru te uzorkuje iz te distribucije kako bi generirao nove primjere. Koristi se za generiranje podataka, detekciju anomalija i učenje značajki.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
Izvori
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/hr/deep-learning/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.
- AutoenkoderDuboko učenje↔ compare
- Difuzijski modelDuboko učenje↔ compare
- Generativna suparnička mrežaDuboko učenje↔ compare
- Analiza glavnih komponentStrojno učenje↔ compare
- Generativni model utemeljen na ocjeni (Score-Based Generative Model)Duboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →