Multimodal Variasjonsautoenkoder
Den multimodale variasjonsautoenkoderen (MVAE) er en dyp generativ modell som lærer en delt latent representasjon på tvers av to eller flere datamodaliteter — som bilder og bildetekster — ved hjelp av en produkt-av-eksperter-fusjon av modalitetspesifikke enkoderer, noe som muliggjør generering og inferens selv når bare en delmengde av modalitetene observeres ved testtidspunktet.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/no/deep-learning/multimodal-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
- Blanding av eksperterDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →