Överföringsinlärning med variationell autoenkoder
Överföringsinlärning med en variationell autoenkoder (TL-VAE) återanvänder en enkoder och/eller dekoder som förtränats på en stor källdatauppsättning och anpassar den till en mindre måldomän. Genom att ärva ett rikt probabilistiskt latent rum istället för att börja med slumpmässiga vikter, reducerar TL-VAE dramatiskt mängden måldomändata som behövs för högkvalitativ generering eller representationsinlärning.
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. International Conference on Learning Representations (ICLR 2014). link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Variational Autoencoder. ScholarGate. https://scholargate.app/sv/deep-learning/transfer-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.
- Finjusterat generativt adversariellt nätverkDjupinlärning↔ compare
- Finjusterad Variational AutoencoderDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Semi-supervised Variational AutoencoderDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →