Wyjaśnialny autoenkoder wariacyjny
Wyjaśnialny autoenkoder wariacyjny (XVAE) rozszerza standardowe ramy VAE o techniki umożliwiające interpretację jego przestrzeni utajonej: rozdzielenie wymiarów utajonych tak, aby każdy odpowiadał czynnikowi zrozumiałemu dla człowieka, lub zastosowanie metod atrybucji post-hoc (SHAP, zintegrowane gradienty) śledzących rekonstrukcje do cech wejściowych. Zachowuje on moc generatywną VAE, dodając jednocześnie przejrzystość wymaganą w zastosowaniach naukowych i obarczonych wysokim ryzykiem.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/pl/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.
- Dostrojony wariacyjny autoenkoderUczenie głębokie↔ compare
- Wielomodalny autoenkoder wariacyjnyUczenie głębokie↔ compare
- Samo-nadzorowany wariacyjny autoenkoderUczenie głębokie↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →