Слабо контролируемый вариационный автокодировщик
Слабо контролируемый вариационный автокодировщик (WS-VAE) расширяет стандартную генеративную структуру VAE, включая частичные, зашумленные или грубые сигналы надзора — такие как метки, полученные от краудсорсинга, эвристические правила или программные аннотации — для управления обучением латентного пространства без необходимости полностью аннотированных данных. Он широко применяется в компьютерном зрении, обработке естественного языка и биомедицинских областях, где полные эталонные метки дороги или недоступны.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/ru/deep-learning/weakly-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.
- Генеративно-состязательная сетьГлубокое обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Вариационный автокодировщикГлубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →