Multimodal Variational Autoencoder (MVAE)
Hãy tưởng tượng cố gắng hiểu một cảnh chỉ bằng một bức ảnh, chỉ bằng một chú thích, hoặc cả hai cùng nhau. Một VAE tiêu chuẩn xử lý từng loại đầu vào một lần, nhưng MVAE học một mã chung duy nhất nắm bắt cấu trúc kết hợp của tất cả các phương thức. Mỗi phương thức bỏ phiếu cho một vùng không gian tiềm ẩn thông qua bộ mã hóa riêng, và các phiếu bầu này được kết hợp thông qua quy tắc kết hợp theo kiểu tích các chuyên gia (product-of-experts) để mã chung phản ánh tất cả bằng chứng có sẵn. Tại thời điểm kiểm tra, bạn có thể cung cấp bất kỳ tập con nào của các phương thức và vẫn giải mã phần còn lại, cho phép sinh xuyên phương thức và xử lý dữ liệu thiếu mạnh mẽ.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Wu, M., & Goodman, N. (2018). Multimodal Generative Models for Scalable Weakly-Supervised Learning. Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. International Conference on Learning Representations (ICLR). link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Multimodal Variational Autoencoder (MVAE). ScholarGate. https://scholargate.app/vi/deep-learning/multimodal-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.
- Generative Adversarial NetworkHọc sâu↔ compare
- Mixture of ExpertsHọc sâu↔ compare
- Bộ tự mã hóa biến phânHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →