Vysvetliteľný variačný autoenkodér
Vysvetliteľný variačný autoenkodér (XVAE) rozširuje štandardný rámec VAE o techniky, ktoré robia jeho latentný priestor interpretovateľným: rozpletajú latentné dimenzie tak, aby každá zodpovedala faktoru zrozumiteľnému pre človeka, alebo používajú post-hoc metódy atribúcie (SHAP, integrované gradienty), ktoré sledujú rekonštrukcie späť k vstupným vlastnostiam. Zachováva si generatívnu silu VAE a zároveň pridáva transparentnosť potrebnú vo vedeckých a kritických aplikáciách.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/sk/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.
- Jemne doladený variačný autoenkodérHlboké učenie↔ compare
- Multimodálny variančný autoenkodérHlboké učenie↔ compare
- Samoučiaci sa variačný autoenkodérHlboké učenie↔ compare
- Variačný autoenkodérHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →