Machine learning
ตัวเข้ารหัสอัตโนมัติแบบแปรผัน
ตัวเข้ารหัสอัตโนมัติแบบแปรผัน (VAE) เป็นแบบจำลองตัวแปรแฝงเชิงกำเนิดเชิงลึก ซึ่งแนะนำโดย Diederik Kingma และ Max Welling ในปี 2014 ซึ่งเข้ารหัสข้อมูลเป็นการแจกแจงความน่าจะเป็นในปริภูมิแฝง และสุ่มจากแบบจำลองนั้นเพื่อสร้างตัวอย่างใหม่ ใช้สำหรับการสร้างข้อมูล การตรวจจับความผิดปกติ และการเรียนรู้คุณลักษณะ
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+26 more
แหล่งอ้างอิง
- Kingma, D. P. & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
- Higgins, I. et al. (2017). beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework. International Conference on Learning Representations (ICLR). link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Variational Autoencoder (VAE). ScholarGate. https://scholargate.app/th/deep-learning/variational-autoencoder
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.
- ออโตเอ็นโค้ดเดอร์การเรียนรู้เชิงลึก↔ compare
- แบบจำลองการแพร่ (Diffusion Model)การเรียนรู้เชิงลึก↔ compare
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- การวิเคราะห์องค์ประกอบหลักการเรียนรู้ของเครื่อง↔ compare
- แบบจำลองเชิงกำเนิดที่ใช้คะแนนการเรียนรู้เชิงลึก↔ compare
ถูกอ้างอิงโดย
ออโตเอ็นโค้ดเดอร์การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบจำลองส่วนผสมแบบเกาส์เซียนแบบเบย์ (Bayesian Gaussian Mixture Model)การวิเคราะห์ข้อมูล RNA-seq ระดับเซลล์เดียวแบบเบย์เซียนแบบจำลองการแพร่ (Diffusion Model)Domain-Adaptive Variational AutoencoderExplainable GANโมเดลการผสมแบบเกาส์เซียนที่อธิบายได้ตัวเข้ารหัส-ถอดรหัสแบบแปรผันที่อธิบายได้ตัวเข้ารหัสอัตโนมัติแบบแปรผันที่ปรับจูนอย่างละเอียดโครงข่ายปฏิปักษ์เชิงกำเนิดการปรับละเอียด GPT (GPT Fine-Tuning)LoRA และ PEFTMultilingual Variational AutoencoderMultimodal Variational Autoencoderการถ่ายทอดสไตล์ด้วยโครงข่ายประสาทเทียมไหลการปกติRestricted Boltzmann Machine (RBM)แบบจำลองเชิงกำเนิดที่ใช้คะแนนการตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบกำกับตนเองแบบจำลองการแพร่กระจายแบบกำกับตนเองแบบจำลองเกาส์เซียนมิกซ์เจอร์แบบกำกับตนเองกระบวนการเกาส์เซียนแบบกำกับตนเองSelf-supervised Variational Autoencoderแบบจำลองการแพร่กระจายแบบกึ่งควบคุม (Semi-supervised Diffusion Model)GAN แบบกึ่งกำกับดูแลโมเดล Gaussian Mixture แบบกึ่งมีผู้สอนLSTM แบบกึ่งกำกับดูแลVariational Autoencoder แบบกึ่งกำกับดูแลTransfer Learning GANการเรียนรู้แบบถ่ายโอนด้วย Variational Autoencoderวิชันทรานส์ฟอร์มเมอร์แบบจำลองการแพร่กระจายแบบกำกับดูแลอย่างอ่อน (Weakly Supervised Diffusion Model)GAN แบบมีการกำกับดูแลอย่างอ่อนWeakly Supervised Variational Autoencoder