Variational Autoencoder Multimodale
Il Variational Autoencoder Multimodale (MVAE) è un modello generativo profondo che apprende una rappresentazione latente condivisa tra due o più modalità di dati — come immagini e didascalie — utilizzando una fusione prodotto-di-esperti di codificatori specifici per modalità, abilitando la generazione e l'inferenza anche quando solo un sottoinsieme di modalità è osservato al momento del test.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/it/deep-learning/multimodal-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
- Mixture of ExpertsApprendimento profondo↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →