Självövervakad Variationell Autoencoder
En Självövervakad Variational Autoencoder (SS-VAE) kombinerar den generativa latent-rymds-inlärningen hos en standard-VAE med självövervakade förtextuppgifter — såsom kontrastiv augmentation, maskerad rekonstruktion eller rotationsprediktion — för att lära sig rikare, mer åtskilda representationer från oannoterad data utan manuell annotering.
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 ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2021). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Variational Autoencoder (SS-VAE). ScholarGate. https://scholargate.app/sv/deep-learning/self-supervised-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
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Multimodal Variational AutoencoderDjupinlärning↔ compare
- Självövervakad faltningsnätverkDjupinlärning↔ compare
- Semi-supervised Variational AutoencoderDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →