Variational Autoencoder Explicável
Um Variational Autoencoder Explicável (XVAE) estende o framework padrão do VAE com técnicas que tornam seu espaço latente interpretável: desvinculando dimensões latentes para que cada uma corresponda a um fator compreensível pelo ser humano, ou métodos de atribuição post-hoc (SHAP, gradientes integrados) que rastreiam reconstruções de volta às características de entrada. Ele retém o poder generativo do VAE, adicionando a transparência necessária em aplicações científicas e de alto risco.
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
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
- Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., Mohamed, S., & Lerchner, A. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/pt/deep-learning/explainable-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.
- Autoencoder Variacional AjustadoAprendizado profundo↔ compare
- Autoencoder Variacional MultimodalAprendizado profundo↔ compare
- Autoencoder Variacional Auto-supervisionadoAprendizado profundo↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →