เปรียบเทียบวิธี

	Multilingual Variational Autoencoder	การเรียนรู้แบบถ่ายโอนด้วย Variational Autoencoder
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017-2018	2014 (VAE); 2010 (transfer learning survey)
ผู้ริเริ่ม	Multiple research groups (Lample, Conneau et al.; Zhao et al.)	Kingma, D. P. & Welling, M. (VAE); transfer learning framework from Pan & Yang
ประเภท	Generative latent-variable model	Generative model with transferred encoder/decoder
แหล่งต้นตำรับ	Zhao, T., Zhang, Y., & Eskenazi, M. (2018). Zero-shot dialog generation with cross-domain latent actions. In Proceedings of the 19th Annual SIGdial Meeting on Discourse and Dialogue (pp. 1-10). ACL.	Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR 2014).
ชื่อเรียกอื่น	ML-VAE, cross-lingual VAE, multilingual latent variable model, multilingual generative autoencoder	TL-VAE, pretrained VAE, VAE transfer learning, fine-tuned variational autoencoder
ที่เกี่ยวข้อง	5	6
สรุป	A Multilingual Variational Autoencoder (ML-VAE) extends the standard VAE framework to handle multiple languages within a shared probabilistic latent space. Language-specific encoders map text from each language into a common continuous representation, while language-specific decoders reconstruct or translate that text. This enables cross-lingual generation, style transfer, and representation learning with or without parallel corpora.	Transfer Learning with a Variational Autoencoder (TL-VAE) reuses an encoder and/or decoder pre-trained on a large source dataset and adapts it to a smaller target domain. By inheriting a rich probabilistic latent space rather than starting from random weights, TL-VAE dramatically reduces the amount of target-domain data needed for high-quality generation or representation learning.