Machine learningDeep learning / NLP / CV
약지도 변분 오토인코더
약지도 변분 오토인코더(WS-VAE)는 부분적이고 노이즈가 있거나 대략적인 지도 신호(예: 크라우드소싱 레이블, 휴리스틱 규칙 또는 프로그래밍 방식 주석)를 통합하여 표준 VAE 생성 프레임워크를 확장합니다. 이는 완전하게 주석이 달린 데이터 없이 잠재 공간 학습을 안내합니다. 완전한 정답 레이블을 얻기 어렵거나 비용이 많이 드는 컴퓨터 비전, 자연어 처리(NLP), 생물의학 분야에서 널리 적용됩니다.
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 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/ko/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.
Compare side by side →