Domene-adaptiv Variasjonsautoenkoder
En domene-adaptiv variasjonsautoenkoder (DA-VAE) utvider standard VAE-rammeverk for å lære frakoblede latente representasjoner som skiller domenespesifikk variasjon fra klasse-relevant og domene-invariant innhold, noe som gjør at modeller trent på en kildedomen kan generalisere effektivt til et annet, men relatert, måldomen med begrenset eller ingen måletiketter.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/no/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.
- Generativt motsetningsnettverkDyp læring↔ compare
- OverføringslæringMaskinlæring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →