Variational Autoencoder Auto-supervisionato
Un Variational Autoencoder Auto-supervisionato (SS-VAE) combina l'apprendimento dello spazio latente generativo di un VAE standard con compiti pretesto auto-supervisionati — come l'aumento contrastivo, la ricostruzione mascherata o la predizione della rotazione — per apprendere rappresentazioni più ricche e più disaccoppiate da dati non etichettati senza alcuna annotazione manuale.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/it/deep-learning/self-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.
- Variational Autoencoder Fine-TunedApprendimento profondo↔ compare
- Rete Generativa AvversariaApprendimento profondo↔ compare
- Variational Autoencoder MultimodaleApprendimento profondo↔ compare
- Rete Neurale Convoluzionale Auto-SupervisionataApprendimento profondo↔ compare
- Variational Autoencoder Semi-supervisionatoApprendimento profondo↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →