Dynamical Variational Autoencoders: A Comprehensive Review
Variationale Autokoder (VAEs) sind leistungsstarke tiefe generative Modelle, die häufig zur Darstellung hochdimensionaler komplexer Daten durch einen niedrigdimensionalen latenten Raum verwendet werden, der auf unbeaufsichtigte Weise gelernt wird. In dieser Monographie stellen die Autoren eine allgemeine Klasse von Modellen vor, die dynamischen Variations-Autoencodern (DVAEs), die VAEs erweitern, um zeitliche Vektorsequenzen zu modellieren. Dabei liefern die Autoren:
- eine formale Definition der allgemeinen Klasse der DVAEs.
- eine detaillierte und vollständige technische Beschreibung von sieben DVAE-Modellen.
- einen schnellen Überblick über andere DVAE-Modelle, die in der neueren Literatur vorgestellt wurden.
- eine Diskussion der jüngsten Entwicklungen bei DVAEs in Bezug auf die Geschichte und den technischen Hintergrund der klassischen Modelle, auf denen DVAEs aufbauen.
- ein quantitatives Benchmarking der ausgewählten DVAE-Modelle.
- eine Diskussion, um die Klasse der DVAE-Modelle ins rechte Licht zu rücken.
Diese Monographie ist ein umfassender Überblick über den aktuellen Stand der Technik bei DVAEs. Sie bietet dem Leser eine leicht zugängliche Zusammenfassung der technischen Aspekte der verschiedenen DVAE-Modelle, ihrer Verbindungen zu klassischen Modellen, ihrer Querverbindungen und ihrer Bedeutung für die Wissenschaft.
Modelle, ihre Querverbindungen und ihre Vereinheitlichung in der DVAE-Klasse in einem prägnanten, leicht zu lesenden Buch.
Die Autoren haben erhebliche Anstrengungen unternommen, um die Terminologie und Notation der verschiedenen Modelle zu vereinheitlichen, was für alle Studenten, Forscher und Praktiker, die im Bereich des maschinellen Lernens arbeiten, eine unschätzbare Ressource darstellt.
| ISBN: | 9781680839128 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 198 |
Derzeit verfügbar, auf Lager.
