ScholarGate
Assistent
Machine learning

Variational Autoencoder

Variational Autoencoder (VAE) är en djup generativ latentvariabelmodell, introducerad av Diederik Kingma och Max Welling 2014, som kodar data som en sannolikhetsfördelning i ett latent rum och samplar från den fördelningen för att generera nya exempel. Den används för datagenerering, anomalidetektering och inlärning av särdrag.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

+26 more

Källor

  1. Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link
  2. Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link

Så citerar du den här sidan

ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/sv/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.

Compare side by side

Refereras av

ScholarGateVariational Autoencoder (Variational Autoencoder (VAE)). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/variational-autoencoder · Datamängd: https://doi.org/10.5281/zenodo.20539026