Pembelajaran Pemindahan dengan Autoenkoder Variasi
Pembelajaran Pemindahan dengan Autoenkoder Variasi (TL-VAE) menggunakan semula pengekod dan/atau penyahkod yang telah dilatih pada set data sumber yang besar dan menyesuaikannya dengan domain sasaran yang lebih kecil. Dengan mewarisi ruang laten probabilistik yang kaya dan bukannya bermula daripada pemberat rawak, TL-VAE secara dramatik mengurangkan jumlah data domain sasaran yang diperlukan untuk penjanaan berkualiti tinggi atau pembelajaran perwakilan.
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. International Conference on Learning Representations (ICLR 2014). link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Variational Autoencoder. ScholarGate. https://scholargate.app/ms/deep-learning/transfer-learning-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.
- Jaringan Lawan Janaan yang Ditalar HalusPembelajaran Mendalam↔ compare
- Autoenkoder Variasi yang Ditalar HalusPembelajaran Mendalam↔ compare
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Autoenkoder Variasi Separuh-SeliaPembelajaran Mendalam↔ compare
- Pembelajaran Pindahan dengan Rangkaian Neural KonvolusiPembelajaran Mendalam↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →