Pašuzraudzēts Variācijas Aizkodējs
Pašuzraudzēts Variācijas Aizkodējs (SS-VAE) apvieno standarta VAE ģeneratīvo latento telpu apguvi ar pašuzraudzības priekšteksta uzdevumiem — piemēram, kontrastīvu augmentāciju, maskētu rekonstrukciju vai rotācijas prognozēšanu — lai apgūtu bagātīgākas, labāk atdalītas reprezentācijas no nenosauktiem datiem bez manuālas anotācijas.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/lv/deep-learning/self-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.
- Pielāgots Variācijas AutoenkodersDziļā mācīšanās↔ compare
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Daudzmodāls variāciju autoenkodersDziļā mācīšanās↔ compare
- Pašuzraudzīta konvolūciju neironu tīklsDziļā mācīšanās↔ compare
- Semi-supervised Variational AutoencoderDziļā mācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →