Variational Autoencoder dengan Supervisi Lemah
Variational Autoencoder dengan Supervisi Lemah (WS-VAE) memperluas kerangka generatif VAE standar dengan menggabungkan sinyal supervisi parsial, berisik, atau kasar — seperti label yang bersumber dari kerumunan, aturan heuristik, atau anotasi programatik — untuk memandu pembelajaran ruang laten tanpa memerlukan data yang dianotasi sepenuhnya. WS-VAE banyak diterapkan dalam visi komputer, NLP, dan domain biomedis di mana label kebenaran dasar yang lengkap mahal atau tidak tersedia.
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 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/id/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.
- Jaringan Adversarial GeneratifPembelajaran Mendalam↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Variational AutoencoderPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →