Finjustert Variasjonsautoenkoder
En finjustert variasjonsautoenkoder (VAE) starter med en VAE som er forhåndstrent på et stort kildedatasett, og fortsetter deretter treningen på et mindre måltilsvarende datasett. Denne tilnærmingen tilpasser den lærte latente representasjonen og genereringsevnen til nye data, bevarer generell struktur mens den spesialiserer seg mot målfordelingen – noe som gir bedre resultater enn å trene fra bunnen av når merket eller store måldata er knappe.
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 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Variational Autoencoder (Domain-Adapted VAE). ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-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.
- Finetunet konvolusjonelt nevralt nettverkDyp læring↔ compare
- Finjustert diffusjonsmodellDyp læring↔ compare
- Finjustert generativt antagonistisk nettverkDyp læring↔ compare
- Finetunet transformatorDyp læring↔ compare
- Overføringslæring med variatorisk autoenkoderDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →