Słabo nadzorowany autoenkoder wariacyjny
Słabo nadzorowany autoenkoder wariacyjny (WS-VAE) rozszerza standardowe ramy generatywne VAE poprzez włączenie częściowych, zaszumionych lub zgrubnych sygnałów nadzoru — takich jak etykiety pochodzące od społeczności, heurystyczne reguły lub adnotacje programowe — w celu kierowania uczeniem przestrzeni utajonej bez konieczności pełnego anotowania danych. Jest szeroko stosowany w dziedzinach widzenia komputerowego, przetwarzania języka naturalnego i biomedycyny, gdzie kompletne etykiety prawdy podstawowej są kosztowne lub niedostępne.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/pl/deep-learning/weakly-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.
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →