Varijacioni autoenkoder
Varijacioni autoenkoder (VAE) je duboki generativni model sa latentnim promenljivama, koji su 2014. godine predstavili Diederik Kingma i Max Welling. On kodira podatke kao raspodelu verovatnoće u latentnom prostoru i uzorkuje iz te raspodele da bi generisao nove primere. Koristi se za generisanje podataka, detekciju anomalija i učenje osobina.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
Izvori
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/sr/deep-learning/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.
- AutoenkoderDuboko učenje↔ compare
- Difuzioni modelDuboko učenje↔ compare
- Generativna suparnička mrežaDuboko učenje↔ compare
- Analiza glavnih komponentiMašinsko učenje↔ compare
- Генеративни модел заснован на скоруDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →