« Vecteur sémantique compact » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
(22 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
==Définition==
==Définition==
Représentation résultant de l'opération mathématique qui permet de passer d'une représentation catégorielle et de son contexte à une représentation vectorielle contextuelle dense (c.-à-d. de plus faible dimension) et continue (c.-à-d. des nombres réels).  
En [[apprentissage profond]], un vecteur contextuel compact fait référence à une représentation vectorielle dense et de faible dimension d’un objet de dimension supérieure.


Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches dans l'espace vectoriel où sont définis ces vecteurs.  
Cette représentation résulte de l'opération mathématique qui permet de passer d'une représentation en haute dimension et habituellement de son contexte à une représentation vectorielle contextuelle compacte (c.-à-d. de plus faible dimension) et continue (c.-à-d. des nombres réels).  


Il s'agit d'une représentation distribuée qui tente de décrire le sens d'un objet en considérant ses relations avec d'autres objets de son contexte.  
Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches selon une distance (ou métrique) dans l'espace vectoriel où sont définis ces objets.  


Typiquement, on crée une représentation contextuelle compressée avec un algorithme qui réduit la dimension de la représentation afin de rapprocher les objets similaires et d'éloigner les objets différents.  
Il s'agit d'une représentation distribuée qui décrit la « sémantique » d'un objet en considérant ses relations avec d'autres objets de son contexte.
 
Typiquement, on crée une représentation contextuelle compacte avec un algorithme qui réduit la dimension de la représentation afin de rapprocher les objets similaires et d'éloigner les objets différents.  
 
Voir aussi: [[vecteur contextuel]]


==Compléments==
==Compléments==


L'algorithme de création d'une représentation contextuelle compressée procède par approximation pour passer d'une représentation discrete qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle compressée (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme « représentation contextuelle compressée » ou encore « plongement neuronal » puisque ce sont souvent des algorithmes à base de réseaux de neurones.
L'algorithme de création d'un vecteur contextuel compact procède par approximation pour passer d'une représentation discrète qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle compacte (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme « vecteur contextuel compact » ou encore « représentation contextuelle compacte ». À discuter...  
<hr/>
<hr/>
Attention! La notion mathématique de plongement, bien que proche, ne couvre pas l'ensemble des concepts comme la notion de contexte ou voisinage. Aussi le plongement s'apparente davantage à une opération de création d'un sous-ensemble qu'à un résultat obtenu par approximation. À discuter...   
Attention! En français, on retrouve souvent le terme « plongement neuronal ». La notion mathématique de plongement, bien que proche, car elle implique une réduction de la dimension de la représentation, ne couvre pas l'ensemble des concepts sous-jacents. Par exemple, la notion de contexte ou voisinage. Aussi le plongement est davantage assimilée à une opération de création d'un sous-ensemble qu'à une opération de réduction de la dimension obtenue par approximation. À discuter...   
<hr/>
<hr/>
La modélisation par représentation contextuelle compressée, bien que souvent appliquée aux mots, [[vecteur-mot]] (word embedding), ne se limite pas à ces derniers et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation contextuelle compressée peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.   
La modélisation par vecteur contextuel compact, bien que souvent appliquée aux mots, [[vecteur-mot]] (word embedding), ne se limite pas à des mots et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation par vecteur contextuel compact peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.   
<hr/>
<hr/>
Une représentation contextuelle compressée dense peut également être « utilisée » comme représentation latente. À discuter...
Un vecteur contextuel compact peut également être « utilisée » comme représentation latente. À discuter...
<hr/>
<hr/>
On distingue trois principaux usages des représentations contextuelles compressées:
On distingue trois principaux usages des vecteurs contextuels compacts:


*identifier les plus proches voisins d'un objet ou d'un concept;
*identifier les plus proches voisins d'un objet ou d'un concept;
*enrichir l'entrée de données d'un algorithme;
*enrichir l'entrée de données d'un algorithme d'apprentissage;
*visualiser des objets ou des concepts et leurs relations.
*visualiser des objets ou des concepts et leurs relations.


==Français==
==Français==


'''représentation contextuelle compressée'''
'''vecteur contextuel compact'''
 
'''vecteur sémantique compact'''
 
'''représentation contextuelle compacte'''  


'''représentation vectorielle dense'''
'''représentation sémantique compacte'''  


'''vecteur contextuel dense'''
'''plongement neuronal'''


'''vecteur contextuel'''
'''plongement'''  


'''plongement vectoriel'''  
'''représentation vectorielle compacte'''


'''plongement neuronal'''   
'''vecteur contextuel'''   
 
'''vecteur sémantique'''
   
   
==Anglais==
==Anglais==
Ligne 43 : Ligne 53 :
'''neural embedding'''
'''neural embedding'''


<small>
==Sources==


Source: Géron, Aurélien (2017) ''Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets'', Paris, Dunod, 256 pages.
Source: Géron, Aurélien (2017) ''Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets'', Paris, Dunod, 256 pages.
Ligne 51 : Ligne 61 :
[https://developers.google.com/machine-learning/crash-course/glossary Source: ''Google, Glossaire du machine learning''.]
[https://developers.google.com/machine-learning/crash-course/glossary Source: ''Google, Glossaire du machine learning''.]


[[Category:Intelligence artificielle]]
 
[[Category:Apprentissage profond]]
[[Category:Termino 2019]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

Version du 14 mars 2024 à 05:52

Définition

En apprentissage profond, un vecteur contextuel compact fait référence à une représentation vectorielle dense et de faible dimension d’un objet de dimension supérieure.

Cette représentation résulte de l'opération mathématique qui permet de passer d'une représentation en haute dimension et habituellement de son contexte à une représentation vectorielle contextuelle compacte (c.-à-d. de plus faible dimension) et continue (c.-à-d. des nombres réels).

Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches selon une distance (ou métrique) dans l'espace vectoriel où sont définis ces objets.

Il s'agit d'une représentation distribuée qui décrit la « sémantique » d'un objet en considérant ses relations avec d'autres objets de son contexte.

Typiquement, on crée une représentation contextuelle compacte avec un algorithme qui réduit la dimension de la représentation afin de rapprocher les objets similaires et d'éloigner les objets différents.

Voir aussi: vecteur contextuel

Compléments

L'algorithme de création d'un vecteur contextuel compact procède par approximation pour passer d'une représentation discrète qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle compacte (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme « vecteur contextuel compact » ou encore « représentation contextuelle compacte ». À discuter...


Attention! En français, on retrouve souvent le terme « plongement neuronal ». La notion mathématique de plongement, bien que proche, car elle implique une réduction de la dimension de la représentation, ne couvre pas l'ensemble des concepts sous-jacents. Par exemple, la notion de contexte ou voisinage. Aussi le plongement est davantage assimilée à une opération de création d'un sous-ensemble qu'à une opération de réduction de la dimension obtenue par approximation. À discuter...


La modélisation par vecteur contextuel compact, bien que souvent appliquée aux mots, vecteur-mot (word embedding), ne se limite pas à des mots et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation par vecteur contextuel compact peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.


Un vecteur contextuel compact peut également être « utilisée » comme représentation latente. À discuter...


On distingue trois principaux usages des vecteurs contextuels compacts:

  • identifier les plus proches voisins d'un objet ou d'un concept;
  • enrichir l'entrée de données d'un algorithme d'apprentissage;
  • visualiser des objets ou des concepts et leurs relations.

Français

vecteur contextuel compact

vecteur sémantique compact

représentation contextuelle compacte

représentation sémantique compacte

plongement neuronal

plongement

représentation vectorielle compacte

vecteur contextuel

vecteur sémantique

Anglais

embedding

neural embedding

Sources

Source: Géron, Aurélien (2017) Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Paris, Dunod, 256 pages.

Source: Goodfellow, Ian; Bengio, Yoshua et Aaron Courville (2018), Apprentissage profond, Paris, Massot éditions, 800 pages.

Source: Google, Glossaire du machine learning.