Explainable Variational Autoencoder
En Explainable Variational Autoencoder (XVAE) utvider standard VAE-rammeverket med teknikker som gjør latentrommet tolkningsbart: ved å skille (disentangle) latente dimensjoner slik at hver korresponderer med en menneskelig forståelig faktor, eller ved å bruke post-hoc attribusjonsmetoder (SHAP, integrated gradients) som sporer rekonstruksjoner tilbake til inndata-trekk. Den beholder VAE-ens generative kraft samtidig som den legger til åpenheten som kreves i vitenskapelige og høyrisiko-applikasjoner.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/no/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.
- Finjustert VariasjonsautoenkoderDyp læring↔ compare
- Multimodal VariasjonsautoenkoderDyp læring↔ compare
- Selv-overvåket Variasjonell AutoenkoderDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →