Autoenkoder Variasi Berpenyeliaan Lemah
Autoenkoder Variasi Berpenyeliaan Lemah (WS-VAE) memperluas kerangka kerja generatif VAE standard dengan menggabungkan isyarat penyeliaan separa, bising, atau kasar — seperti label sumber ramai, peraturan heuristik, atau anotasi programatik — untuk membimbing pembelajaran ruang laten tanpa memerlukan data beranotasi penuh. Ia digunakan secara meluas dalam penglihatan komputer, NLP, dan domain bioperubatan di mana label kebenaran dasar yang lengkap adalah mahal atau tidak tersedia.
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 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/ms/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.
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →