Multimodal Variational Autoencoder
Multimodalni Varijacioni Autoenkoder (MVAE) je duboki generativni model koji uči zajedničku latentnu reprezentaciju preko dve ili više jezičkih modaliteta — kao što su slike i natpisi — koristeći fuziju specifičnih enkoderâ za svaki modalitet putem proizvoda eksperata, omogućavajući generisanje i inferenciju čak i kada je samo podskup modaliteta primećen u vreme testiranja.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/sr/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.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Mešavina eksperataDuboko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →