Selv-overvåket Variasjonell Autoenkoder
En selv-overvåket variasjonell autoenkoder (SS-VAE) kombinerer den generative latente rom-læringen til en standard VAE med selv-overvåkede forhåndsoppgaver — som kontrastiv augmentering, maskert rekonstruksjon eller rotasjonsprediksjon — for å lære rikere, mer disentangled representasjoner fra umerkede data uten manuell annotering.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/no/deep-learning/self-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.
- Finjustert VariasjonsautoenkoderDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
- Multimodal VariasjonsautoenkoderDyp læring↔ compare
- Selv-overvåket konvolusjonelt nevralt nettverkDyp læring↔ compare
- Semi-supervised Variational AutoencoderDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →