Daudzmodāls variāciju autoenkoders
Daudzmodāls variāciju autoenkoders (MVAE) ir dziļš ģeneratīvs modelis, kas apgūst kopīgu latentu attēlojumu divās vai vairākās datu modalitātēs — piemēram, attēlos un parakstos —, izmantojot modalitātes specifisku enkoderu ekspertu produkta saplūšanu, nodrošinot ģenerēšanu un secinājumu izdarīšanu pat tad, ja testēšanas laikā tiek novērota tikai daļa modalitāšu.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/lv/deep-learning/multimodal-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.
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Ekspertu maisījumsDziļā mācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →