Autoenkoder Variasi Kendiri-Diselia
Autoenkoder Variasi Kendiri-Diselia (SS-VAE) menggabungkan pembelajaran ruang laten generatif VAE standard dengan tugasan pra-teks kendiri-diselia — seperti augmentasi kontrastif, pembinaan semula bertopeng, atau ramalan putaran — untuk mempelajari perwakilan yang lebih kaya dan lebih terlerai daripada data tanpa label tanpa sebarang anotasi manual.
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 ↗
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/ms/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.
- Autoenkoder Variasi yang Ditalar HalusPembelajaran Mendalam↔ compare
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Autoenkoder Variasi MultimodusPembelajaran Mendalam↔ compare
- Rangkaian Saraf Konvolusional Kendiri-SeliaPembelajaran Mendalam↔ compare
- Autoenkoder Variasi Separuh-SeliaPembelajaran Mendalam↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →