Samo-nadzorowany wariacyjny autoenkoder
Samo-nadzorowany wariacyjny autoenkoder (SS-VAE) łączy uczenie się generatywnej przestrzeni utajonej standardowego VAE z samo-nadzorowanymi zadaniami pretekstowymi — takimi jak augmentacja kontrastowa, rekonstrukcja zamaskowana czy przewidywanie obrotu — w celu uczenia się bogatszych, bardziej rozplątanych reprezentacji z danych nieetykietowanych, bez żadnej ręcznej adnotacji.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/pl/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.
- Dostrojony wariacyjny autoenkoderUczenie głębokie↔ compare
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Wielomodalny autoenkoder wariacyjnyUczenie głębokie↔ compare
- Samo-nadzorowana konwolucyjna sieć neuronowaUczenie głębokie↔ compare
- Wariacyjny autoenkoder półnadzorowanyUczenie głębokie↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →