เปรียบเทียบวิธี

	Multimodal Variational Autoencoder	ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	2014
ผู้ริเริ่ม	Wu, M. and Goodman, N.	Kingma, D. P. & Welling, M.
ประเภท	Generative latent-variable model	Deep generative latent-variable model (encoder–decoder)
แหล่งต้นตำรับ	Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31.	Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR).
ชื่อเรียกอื่น	MVAE, multimodal VAE, multi-modal variational autoencoder, multimodal generative model	Değişkensel Otokodlayıcı (VAE), VAE, auto-encoding variational Bayes, deep latent variable model
ที่เกี่ยวข้อง	3	5
สรุป	The Multimodal Variational Autoencoder (MVAE) is a deep generative model that learns a shared latent representation across two or more data modalities — such as images and captions — using a product-of-experts fusion of modality-specific encoders, enabling generation and inference even when only a subset of modalities is observed at test time.	The Variational Autoencoder (VAE) is a deep generative latent-variable model, introduced by Diederik Kingma and Max Welling in 2014, that encodes data as a probability distribution in a latent space and samples from that distribution to generate new examples. It is used for data generation, anomaly detection, and feature learning.