Model de difuzie auto-supervizat
Un model de difuzie auto-supervizat cuplează procesul generativ iterativ de adăugare și eliminare a zgomotului al modelelor probabilistice de difuzie cu eliminare a zgomotului cu un obiectiv de învățare a reprezentărilor auto-supervizate — cum ar fi pierderea prin predicție mascată sau contrastivă — astfel încât modelul să învețe simultan să genereze date realiste și să producă reprezentări cu sens semantic, fără exemple etichetate.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/ro/deep-learning/self-supervised-diffusion-model
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.
- Rețea Generativă AdversarialÎnvățare profundă↔ compare
- Autoencoder VariaționalÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →