Slabo nadzirani varijacijski autoenkoder
Slabo nadzirani varijacijski autoenkoder (WS-VAE) proširuje standardni VAE generativni okvir ugradnjom djelomičnih, bučnih ili grubih signala nadzora — poput oznaka dobivenih od mnoštva korisnika, heurističkih pravila ili programskih anotacija — kako bi vodio učenje latentnog prostora bez potrebe za potpuno anotiranim podacima. Široko se primjenjuje u računalnom vidu, obradi prirodnog jezika (NLP) i biomedicinskim domenama gdje su potpune oznake istine skupe ili nedostupne.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/hr/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.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Varijacijski autoenkoderDuboko učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →