Svagt övervakad Variational Autoencoder
En svagt övervakad Variational Autoencoder (WS-VAE) utökar det vanliga VAE generativa ramverket genom att införliva partiella, brusiga eller grova övervakningssignaler – såsom folkkällade etiketter, heuristiska regler eller programmatiska annoteringar – för att styra inlärningen av det latenta rummet utan att kräva fullständigt annoterad data. Den tillämpas brett inom datorseende, NLP och biomedicinska domäner där fullständiga grundsanningsetiketter är dyra eller otillgängliga.
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 International Conference on Learning Representations (ICLR 2014). link ↗
- Kingma, D. P., Mohamed, S., Rezende, D. J. & Welling, M. (2014). Semi-supervised learning with deep generative models. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Weakly Supervised Variational Autoencoder (WS-VAE). ScholarGate. https://scholargate.app/sv/deep-learning/weakly-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.
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →