Explainable Variational Autoencoder
Een Explainable Variational Autoencoder (XVAE) breidt het standaard VAE-raamwerk uit met technieken die de latente ruimte interpreteerbaar maken: het ontwarren van latente dimensies zodat elke dimensie overeenkomt met een voor mensen begrijpelijke factor, of post-hoc attributiemethoden (SHAP, integrated gradients) die reconstructies terugvoeren naar inputkenmerken. Het behoudt het generatieve vermogen van de VAE, terwijl het de transparantie toevoegt die vereist is in wetenschappelijke en risicovolle toepassingen.
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
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., Mohamed, S., & Lerchner, A. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/nl/deep-learning/explainable-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.
- Fijn-afgestelde Variational AutoencoderDeep learning↔ compare
- Multimodale Variational Auto-encoderDeep learning↔ compare
- Zelf-gesuperviseerde Variational AutoencoderDeep learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →