Autoenkoder wariacyjny
Autoenkoder wariacyjny (VAE) to głęboki generatywny model zmiennych ukrytych, wprowadzony przez Diederika Kingmę i Maxa Wellinga w 2014 roku, który koduje dane jako rozkład prawdopodobieństwa w przestrzeni ukrytej i losuje z tego rozkładu w celu generowania nowych przykładów. Jest używany do generowania danych, wykrywania anomalii i uczenia cech.
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.
+26 more
Źródła
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/pl/deep-learning/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.
- AutoenkoderUczenie głębokie↔ compare
- Model dyfuzyjnyUczenie głębokie↔ compare
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Analiza Głównych SkładowychUczenie maszynowe↔ compare
- Generatywny model bazujący na funkcji "score"Uczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →