Variational Autoencoder yang Dapat Dijelaskan
Variational Autoencoder yang Dapat Dijelaskan (XVAE) memperluas kerangka kerja VAE standar dengan teknik yang membuat ruang latennya dapat diinterpretasikan: memisahkan dimensi laten sehingga masing-masing sesuai dengan faktor yang dapat dipahami manusia, atau metode atribusi pasca-hoc (SHAP, gradien terintegrasi) yang menelusuri rekonstruksi kembali ke fitur masukan. Model ini mempertahankan kekuatan generatif VAE sambil menambahkan transparansi yang diperlukan dalam aplikasi ilmiah dan berisiko tinggi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/id/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 yang Disesuaikan HalusPembelajaran Mendalam↔ compare
- Variational Autoencoder MultimodalPembelajaran Mendalam↔ compare
- Variational Autoencoder Swadaya-TerawasiPembelajaran Mendalam↔ compare
- Variational AutoencoderPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →