แบบจำลองการแพร่กระจายแบบกำกับตนเอง
แบบจำลองการแพร่กระจายแบบกำกับตนเอง (Self-supervised Diffusion Model) เป็นการผสมผสานกระบวนการสร้างข้อมูลแบบวนซ้ำด้วยการเพิ่มและลดสัญญาณรบกวนของแบบจำลองความน่าจะเป็นแบบการแพร่กระจาย (denoising diffusion probabilistic models) เข้ากับวัตถุประสงค์การเรียนรู้การแทนความหมายแบบกำกับตนเอง (self-supervised representation learning) เช่น การสูญเสียแบบเปรียบเทียบ (contrastive loss) หรือการทำนายส่วนที่ถูกปิดบัง (masked prediction loss) เพื่อให้แบบจำลองสามารถเรียนรู้ที่จะสร้างข้อมูลที่สมจริงและสร้างการแทนความหมายที่มีความหมายเชิงความหมายได้พร้อมกัน โดยไม่ต้องใช้ข้อมูลที่มีป้ายกำกับใดๆ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/th/deep-learning/self-supervised-diffusion-model
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.
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- ตัวเข้ารหัสอัตโนมัติแบบแปรผันการเรียนรู้เชิงลึก↔ compare