Autoencoder Variacional Multimodal
O Autoencoder Variacional Multimodal (MVAE) é um modelo generativo profundo que aprende uma representação latente compartilhada entre duas ou mais modalidades de dados — como imagens e legendas — usando uma fusão produto-de-especialistas de codificadores específicos de modalidade, permitindo a geração e inferência mesmo quando apenas um subconjunto de modalidades é observado em tempo de teste.
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
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Como citar esta página
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/pt/deep-learning/multimodal-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
- Mistura de EspecialistasAprendizado profundo↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →