Metodbevispost
Domain-adaptive variational autoencoder
A Domain-Adaptive Variational Autoencoder (DA-VAE) extends the standard VAE framework to learn disentangled latent representations that separate domain-specific variation from class-relevant and domain-invariant content, enabling models trained on a source domain to generalise effectively to a different but related target domain with limited or no target labels.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
Domain-Adaptive Variational Autoencoder (DA-VAE)
Taxonomisk metodpost · ml-model / deep-learning
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. · URL
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Inga kuraterade påståenden ännu
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.