Variational Autoencoder Domain-Adattivo
Un Variational Autoencoder Domain-Adattivo (DA-VAE) estende il framework standard del VAE per apprendere rappresentazioni latenti disentangled che separano la variazione specifica del dominio dal contenuto rilevante per la classe e invariante rispetto al dominio, consentendo ai modelli addestrati su un dominio sorgente di generalizzare efficacemente a un dominio target diverso ma correlato con etichette limitate o nulle.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/it/deep-learning/domain-adaptive-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.
- Rete Generativa AvversariaApprendimento profondo↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →