Vāji uzraudzīts variācijas autoenkoders
Vāji uzraudzīts variācijas autoenkoders (WS-VAE) paplašina standarta VAE ģeneratīvo sistēmu, iekļaujot daļējus, trokšņainus vai aptuvenus uzraudzības signālus — piemēram, kopienas veidotas atzīmes, heuristiskus noteikumus vai programmatiskas anotācijas — lai vadītu latenta (slēptā) atstarpes apguvi, neprasot pilnībā anotētus datus. Tas tiek plaši pielietots datorredzes, dabisko valodu apstrādes un biomedicīnas jomās, kur pilnīgas patiesības atzīmes ir dārgas vai nav pieejamas.
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 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/lv/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.
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →