Domein-Adaptieve Variationele Auto-encoder
Een Domein-Adaptieve Variationele Auto-encoder (DA-VAE) breidt het standaard VAE-raamwerk uit om ontwarde latente representaties te leren die domeinspecifieke variatie scheiden van klasse-relevante en domein-invariante inhoud, waardoor modellen die op een bron-domein zijn getraind effectief kunnen generaliseren naar een ander maar gerelateerd doel-domein met beperkte of geen doel-labels.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/nl/deep-learning/domain-adaptive-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.
- Generatief Adversarieel NetwerkDeep learning↔ compare
- TransferlerenMachine learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →