« Apprentissage par représentation dissociée » : différence entre les versions

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

Source : DeepAI.org

@@ Ligne 3 : / Ligne 3 : @@
 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...
-Traduit avec www.DeepL.com/Translator (version gratuite)
 == Français ==
 ''' Apprentissage par représentation dissociée '''
@@ Ligne 9 : / Ligne 8 : @@
 == Anglais ==
 ''' Disentangled Representation Learning '''
+==Sources==
-Disentangled representation is an unsupervised learning technique that breaks down, or disentangles, each feature into narrowly defined variables and encodes them as separate dimensions. The goal is to mimic the quick intuition process of a human, using both “high” and “low” dimension reasoning.
-For example, in a predictive network processing images of people, “higher dimensional” features such as height and clothing would be used to determine sex. In a generative network version of that model designed to produce images of people from a stock photo database, these would be broken down into separate, lower dimensional features. Such as: total height of each person, length of arms and legs, type of shirt, type of pants, type of shoe, etc…
-<small>
 [https://deepai.org/machine-learning-glossary-and-terms/disentangled-representation-learning  Source : DeepAI.org ]
-[[Catégorie:DeepAI.org]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-[[Catégorie:vocabulary]]
-[[Catégorie:publication]]

« Apprentissage par représentation dissociée » : différence entre les versions