Autoencoder Variazionale Spiegabile
Un Autoencoder Variazionale Spiegabile (XVAE) estende il framework VAE standard con tecniche che rendono interpretabile il suo spazio latente: disaccoppiando le dimensioni latenti in modo che ciascuna corrisponda a un fattore comprensibile all'uomo, o tramite metodi di attribuzione post-hoc (SHAP, gradienti integrati) che riconducono le ricostruzioni alle caratteristiche di input. Mantiene la potenza generativa del VAE aggiungendo la trasparenza richiesta nelle applicazioni scientifiche e ad alto rischio.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/it/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 Fine-TunedApprendimento profondo↔ compare
- Variational Autoencoder MultimodaleApprendimento profondo↔ compare
- Variational Autoencoder Auto-supervisionatoApprendimento profondo↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →