Metodbevispost
Self-supervised Variational Autoencoder
A Self-supervised Variational Autoencoder (SS-VAE) combines the generative latent-space learning of a standard VAE with self-supervised pretext tasks — such as contrastive augmentation, masked reconstruction, or rotation prediction — to learn richer, more disentangled representations from unlabeled data without any manual annotation.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
Self-supervised Variational Autoencoder (SS-VAE)
Taxonomisk metodpost · ml-model / deep-learning
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). · URL
- 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
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.