Explainable Variational Autoencoder
Explainable Variational Autoencoder (XVAE) ialah lanjutan rangka kerja VAE standard dengan teknik yang menjadikan ruang latennnya boleh ditafsir: meleraikan dimensi laten supaya setiap satunya bersesuaian dengan faktor yang difahami manusia, atau kaedah atribusi pasca-hoc (SHAP, integrated gradients) yang mengesan semula pembinaan kepada ciri input. Ia mengekalkan kuasa penjanaan VAE sambil menambah ketelusan yang diperlukan dalam aplikasi saintifik dan berisiko tinggi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/ms/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.
- Autoenkoder Variasi yang Ditalar HalusPembelajaran Mendalam↔ compare
- Autoenkoder Variasi MultimodusPembelajaran Mendalam↔ compare
- Autoenkoder Variasi Kendiri-DiseliaPembelajaran Mendalam↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →