Puss-uzraudzītā difūzijas modelis
Pusiauப்பrūpīgais difūzijas modelis paplašina attīrīšanas difūzijas probabisko sistēmu uz situācijām, kurās tikai neliela daļa apmācības paraugu satur klases etiķetes. Apvienojot neapstiprinātu difūzijas pamatstruktūru ar vieglu klasifikatoru, kas apmācīts uz marķētiem piemēriem, tas iemācās ģenerēt augstas kvalitātes, uz etiķetēm balstītus rezultātus, joprojām izmantojot neapzīmēto datu struktūru.
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
- Sohl-Dickstein, J., Weiss, E., Maheswaranathan, N., & Ganguli, S. (2015). Deep Unsupervised Learning using Nonequilibrium Thermodynamics. Proceedings of the 32nd International Conference on Machine Learning (ICML), 2256–2265. link ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Diffusion Model for Generative Learning with Partial Labels. ScholarGate. https://scholargate.app/lv/deep-learning/semi-supervised-diffusion-model
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
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →