Modello di Diffusione Auto-supervisionato
Un modello di diffusione auto-supervisionato accoppia il processo generativo iterativo di rumore e denoising dei modelli probabilistici di diffusione del denoising con un obiettivo di apprendimento di rappresentazione auto-supervisionato — come la perdita predittiva contrastiva o mascherata — in modo che il modello impari simultaneamente a generare dati realistici e a produrre rappresentazioni semanticamente significative senza alcun esempio etichettato.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/it/deep-learning/self-supervised-diffusion-model
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
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →