« Apprentissage par représentation dissociée » : différence entre les versions
m (Remplacement de texte — « DeepAI.org ] » par « DeepAI.org ] Catégorie:DeepAI.org ») |
m (Remplacement de texte : « ↵↵↵ » par « ») |
||
| (5 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
La représentation désenchevêtrée est une technique d'apprentissage non supervisée qui décompose, ou désenchevêtre, chaque caractéristique en variables étroitement définies et les encode sous forme de dimensions distinctes. L'objectif est d'imiter le processus d'intuition rapide d'un humain, en utilisant un raisonnement à la fois de "haute" et de "basse" dimension. | |||
Par exemple, dans un réseau prédictif traitant des images de personnes, des caractéristiques de "haute dimension" telles que la taille et les vêtements seraient utilisées pour déterminer le sexe. Dans une version de réseau génératif de ce modèle conçue pour produire des images de personnes à partir d'une base de données de photos de stock, celles-ci seraient décomposées en caractéristiques distinctes de plus faible dimension. Telles que : la taille totale de chaque personne, la longueur des bras et des jambes, le type de chemise, le type de pantalon, le type de chaussure, etc... | |||
== Français == | == Français == | ||
''' | ''' Apprentissage par représentation dissociée ''' | ||
== Anglais == | == Anglais == | ||
''' Disentangled Representation Learning ''' | ''' Disentangled Representation Learning ''' | ||
==Sources== | |||
[https://deepai.org/machine-learning-glossary-and-terms/disentangled-representation-learning Source : DeepAI.org ] | [https://deepai.org/machine-learning-glossary-and-terms/disentangled-representation-learning Source : DeepAI.org ] | ||
[[Catégorie: | [[Catégorie:GRAND LEXIQUE FRANÇAIS]] | ||
Dernière version du 29 janvier 2024 à 10:39
Définition
La représentation désenchevêtrée est une technique d'apprentissage non supervisée qui décompose, ou désenchevêtre, chaque caractéristique en variables étroitement définies et les encode sous forme de dimensions distinctes. L'objectif est d'imiter le processus d'intuition rapide d'un humain, en utilisant un raisonnement à la fois de "haute" et de "basse" dimension. Par exemple, dans un réseau prédictif traitant des images de personnes, des caractéristiques de "haute dimension" telles que la taille et les vêtements seraient utilisées pour déterminer le sexe. Dans une version de réseau génératif de ce modèle conçue pour produire des images de personnes à partir d'une base de données de photos de stock, celles-ci seraient décomposées en caractéristiques distinctes de plus faible dimension. Telles que : la taille totale de chaque personne, la longueur des bras et des jambes, le type de chemise, le type de pantalon, le type de chaussure, etc...
Français
Apprentissage par représentation dissociée
Anglais
Disentangled Representation Learning
Sources
Contributeurs: Marie Alfaro, wiki
