Autoencoder Variazionale Debolmente Supervisionato
Un Autoencoder Variazionale Debolmente Supervisionato (WS-VAE) estende il framework generativo VAE standard incorporando segnali di supervisione parziali, rumorosi o grossolani — come etichette crowd-sourced, regole euristiche o annotazioni programmatiche — per guidare l'apprendimento dello spazio latente senza richiedere dati completamente annotati. È ampiamente applicato nella visione artificiale, nell'elaborazione del linguaggio naturale (NLP) e nei settori biomedici dove le etichette di verità (ground-truth) complete sono costose o non disponibili.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/it/deep-learning/weakly-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.
- Rete Generativa AvversariaApprendimento profondo↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →