Zwak-gesuperviseerde Variational Autoencoder
Een zwak-gesuperviseerde Variational Autoencoder (WS-VAE) breidt het standaard VAE generatieve raamwerk uit door partiële, ruisige of grove supervisiesignalen — zoals crowd-sourced labels, heuristische regels, of programmatische annotaties — te incorporeren om het leren van de latente ruimte te sturen zonder volledig geannoteerde data te vereisen. Het wordt breed toegepast in computer vision, NLP en biomedische domeinen waar volledige ground-truth labels duur of onbeschikbaar zijn.
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 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/nl/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.
- Generatief Adversarieel NetwerkDeep learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →