Machine learningDeep learning / NLP / CV
설명 가능한 변이형 오토인코더
설명 가능한 변이형 오토인코더(Explainable Variational Autoencoder, XVAE)는 표준 VAE 프레임워크를 확장하여 잠재 공간을 해석 가능하게 만드는 기법을 추가한 것입니다. 이는 잠재 차원을 분리하여 각 차원이 사람이 이해할 수 있는 요인에 해당하도록 하거나, 재구성을 입력 특징으로 추적하는 사후 귀속 방법(SHAP, 통합 기울기)을 사용합니다. XVAE는 VAE의 생성 능력을 유지하면서 과학 및 고위험 응용 분야에서 요구되는 투명성을 더합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/ko/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.
- 파인튜닝된 변이형 오토인코더딥러닝↔ compare
- Multimodal Variational Autoencoder딥러닝↔ compare
- 자기 지도 변분형 오토인코더딥러닝↔ compare
- Variational Autoencoder딥러닝↔ compare