Zelf-gesuperviseerd diffusiemodel
Een zelf-gesuperviseerd diffusiemodel koppelt het iteratieve generatieve proces van ruis toevoegen en verwijderen van denoising diffusion probabilistic models aan een zelf-gesuperviseerde representatieleertaak — zoals contrastieve of masked prediction loss — zodat het model tegelijkertijd leert realistische data te genereren en semantisch betekenisvolle representaties te produceren zonder gelabelde voorbeelden.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/nl/deep-learning/self-supervised-diffusion-model
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
- Variational AutoencoderDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →