Förklarbar Variational Autoencoder
En Förklarbar Variational Autoencoder (XVAE) utökar standardramverket för VAE med tekniker som gör dess latenta rum tolkningsbart: genom att separera latenta dimensioner så att var och en motsvarar en mänskligt förståelig faktor, eller genom post-hoc-attributionsmetoder (SHAP, integrerade gradienter) som spårar rekonstruktioner tillbaka till indatafunktioner. Den behåller VAE:s generativa kraft samtidigt som den lägger till den transparens som krävs i vetenskapliga och hög-riskapplikationer.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Variational Autoencoder (XVAE / Interpretable VAE). ScholarGate. https://scholargate.app/sv/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.
- Finjusterad Variational AutoencoderDjupinlärning↔ compare
- Multimodal Variational AutoencoderDjupinlärning↔ compare
- Självövervakad Variationell AutoencoderDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →