Autoencoder Variacional Auto-supervisionado
Um Autoencoder Variacional Auto-supervisionado (SS-VAE) combina o aprendizado de espaço latente generativo de um VAE padrão com tarefas pretexto auto-supervisionadas — como aumento contrastivo, reconstrução mascarada ou predição de rotação — para aprender representações mais ricas e desentrelaçadas a partir de dados não rotulados, sem qualquer anotação manual.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/pt/deep-learning/self-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.
- Autoencoder Variacional AjustadoAprendizado profundo↔ compare
- Rede Adversarial GenerativaAprendizado profundo↔ compare
- Autoencoder Variacional MultimodalAprendizado profundo↔ compare
- Rede neural convolucional autossupervisionadaAprendizado profundo↔ compare
- Autoencoder Variacional Semi-supervisionadoAprendizado profundo↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →