Paskaidrojams variāciju autoenkoders
Paskaidrojams variāciju autoenkoders (XVAE) paplašina standarta VAE ietvaru ar metodēm, kas padara tā latentās telpas interpretējamas: atsaistot latentās dimensijas tā, lai katra atbilstu cilvēkam saprotamam faktoram, vai pēctecīgas atribūcijas metodes (SHAP, integrētie gradienti), kas izseko rekonstrukcijas atpakaļ uz ievades iezīmēm. Tas saglabā VAE ģeneratīvo spēju, vienlaikus pievienojot caurspīdīgumu, kas nepieciešams zinātniskos un augstas likmes lietojumos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/lv/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.
- Pielāgots Variācijas AutoenkodersDziļā mācīšanās↔ compare
- Daudzmodāls variāciju autoenkodersDziļā mācīšanās↔ compare
- Pašuzraudzēts Variācijas AizkodējsDziļā mācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →