Wariacyjny autoenkoder adaptacyjny do dziedziny
Wariacyjny autoenkoder adaptacyjny do dziedziny (DA-VAE) rozszerza standardowe ramy VAE w celu uczenia rozplątanych reprezentacji utajonych, które oddzielają zmienność specyficzną dla dziedziny od treści istotnych dla klasy i niezmiennych w dziedzinie, umożliwiając modelom wytrenowanym na dziedzinie źródłowej skuteczne generalizowanie do innej, ale powiązanej dziedziny docelowej z ograniczoną liczbą etykiet docelowych lub bez nich.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/pl/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.
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →