Wielomodalny autoenkoder wariacyjny
Wielomodalny autoenkoder wariacyjny (MVAE) to głęboki model generatywny, który uczy się wspólnej reprezentacji utajonej w obrębie dwóch lub więcej modalności danych – takich jak obrazy i opisy tekstowe – wykorzystując fuzję typu produkt ekspertów (product-of-experts) z enkoderów specyficznych dla danej modalności. Umożliwia to generowanie i wnioskowanie nawet wtedy, gdy w czasie testowania obserwowana jest tylko podgrupa modalności.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/pl/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.
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Mixture of ExpertsUczenie głębokie↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →