Variational Autoencoder Adaptativo ao Domínio
Um Variational Autoencoder Adaptativo ao Domínio (DA-VAE) estende o framework padrão do VAE para aprender representações latentes desvinculadas que separam a variação específica do domínio do conteúdo relevante para a classe e invariante ao domínio, permitindo que modelos treinados em um domínio de origem generalizem efetivamente para um domínio de destino diferente, porém relacionado, com rótulos limitados ou inexistentes.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Como citar esta página
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/pt/deep-learning/domain-adaptive-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.
- Rede Adversarial GenerativaAprendizado profundo↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →