Autoenkoder Variasi Separuh-Selia
VAE separuh-selia (model M2) ialah kaedah penjanaan mendalam yang secara serentak mempelajari perwakilan laten input dan pengelas, memanfaatkan contoh berlabel dan tidak berlabel dalam rangka kerja kebarangkalian yang berprinsip. Diperkenalkan oleh Kingma et al. pada tahun 2014, ia membolehkan pengelasan yang tepat walaupun label jarang ditemui dengan membiarkan model penjanaan menjelaskan pemerhatian yang tidak berlabel.
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., Mohamed, S., Rezende, D. J., & Wierstra, D. (2014). Semi-supervised learning with deep generative models. Advances in Neural Information Processing Systems (NeurIPS), 27, 3581–3589. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014). link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Variational Autoencoder (M1/M2 Generative Model). ScholarGate. https://scholargate.app/ms/deep-learning/semi-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.
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Autoenkoder Variasi Kendiri-DiseliaPembelajaran Mendalam↔ compare
- Rangkaian Saraf Konvolusional Separuh-TerawasiPembelajaran Mendalam↔ compare
- Transformer Separa-SeliaanPembelajaran Mendalam↔ compare
- Pembelajaran Pemindahan dengan Autoenkoder VariasiPembelajaran Mendalam↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →