Domänadaptiv Variational Autoencoder
En Domänadaptiv Variational Autoencoder (DA-VAE) utökar standardramverket för VAE för att lära sig separerade latenta representationer som skiljer domänspecifik variation från klassrelevanta och domäninvarianta innehåll, vilket möjliggör för modeller tränade på en källdomän att effektivt generalisera till en annan men relaterad måldomän med begränsade eller inga måletiketter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/sv/deep-learning/domain-adaptive-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.
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →