« Apprentissage de représentations en poupées russes » : différence entre les versions
(Page créée avec « == en construction == == Définition == xxxxxx Voir aussi '''Matryoshka Multimodal Models''' == Français == ''' XXXXXXX''' == Anglais == ''' Matryoshka Representation Learning''' ''' MRL''' == Sources == [https://arxiv.org/abs/2205.13147 Source : Arxiv] [https://medium.com/@zilliz_learn/matryoshka-representation-learning-explained-the-method-behind-openais-efficient-text-embeddings-a600dfe85ff8 Source : Medium] Catégorie:vocabulary ») |
Aucun résumé des modifications |
||
| (9 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== | == Définition == | ||
Méthode d''''[[entraînement]]''' des '''[[Réseau neuronal|réseaux neuronaux]]''' pour produire des représentations multi-échelles au sein d'un seul '''[[modèle]]''' exploitant la métaphore des poupées russes nommées ''matriochkas'' (qui sont imbriquées les unes dans les autres). | |||
== | Voir aussi: [[Modèle multimodal en poupées russes]] | ||
== Complément == | |||
Elle est particulièrement efficace pour des tâches telles que la '''[[recherche sémantique]]''', la [[Recherche d'information|recherche d'informations]], le traitement multilingue et toute application nécessitant des représentations nuancées des '''[[données]]''' à niveaux différents d'abstraction. | |||
Lors de l'entraînement du modèle avec cette méthode, plusieurs '''[[Fonction d'erreur|fonctions d'erreur]]''' sont optimisées; les premières dimensions contenant des détails de haut niveau, tandis que les dimensions suivantes se concentrent sur des informations plus granulaires. Cela permet à un seul '''[[vecteur sémantique compact]]''' de s'adapter aux contraintes informatiques des tâches en aval, sans imposer de coût supplémentaire lors de l''''[[inférence]]''' et du déploiement. | |||
Voir aussi '''[[ | Voir aussi '''[[apprentissage de représentations]]''' et '''[[modèle multimodal en poupées russes]]'''. | ||
== Français == | == Français == | ||
''' | ''' apprentissage de représentations en poupées russes''' | ||
''' apprentissage des représentations en matriochhkas''' | |||
== Anglais == | == Anglais == | ||
| Ligne 13 : | Ligne 19 : | ||
''' MRL''' | ''' MRL''' | ||
<!--''Method for training neural networks to produce multi-scale representations within a single model. It is particularly effective for tasks like semantic search, information retrieval, multilanguage processing and any application requiring nuanced representations of data across different levels of abstraction. | |||
During model training with MRL, several loss functions are optimized, where the first few dimensions contain high-level details, while the later dimensions focus on more granular information. This allows a single embedding to adapt to the computational constraints of downstream tasks, and imposes no additional cost during inference and deployment.''--> | |||
== Sources == | == Sources == | ||
| Ligne 19 : | Ligne 29 : | ||
[https://medium.com/@zilliz_learn/matryoshka-representation-learning-explained-the-method-behind-openais-efficient-text-embeddings-a600dfe85ff8 Source : Medium] | [https://medium.com/@zilliz_learn/matryoshka-representation-learning-explained-the-method-behind-openais-efficient-text-embeddings-a600dfe85ff8 Source : Medium] | ||
[[Catégorie: | [[Catégorie:Publication]] | ||
Dernière version du 24 février 2026 à 15:24
Définition
Méthode d'entraînement des réseaux neuronaux pour produire des représentations multi-échelles au sein d'un seul modèle exploitant la métaphore des poupées russes nommées matriochkas (qui sont imbriquées les unes dans les autres).
Voir aussi: Modèle multimodal en poupées russes
Complément
Elle est particulièrement efficace pour des tâches telles que la recherche sémantique, la recherche d'informations, le traitement multilingue et toute application nécessitant des représentations nuancées des données à niveaux différents d'abstraction.
Lors de l'entraînement du modèle avec cette méthode, plusieurs fonctions d'erreur sont optimisées; les premières dimensions contenant des détails de haut niveau, tandis que les dimensions suivantes se concentrent sur des informations plus granulaires. Cela permet à un seul vecteur sémantique compact de s'adapter aux contraintes informatiques des tâches en aval, sans imposer de coût supplémentaire lors de l'inférence et du déploiement.
Voir aussi apprentissage de représentations et modèle multimodal en poupées russes.
Français
apprentissage de représentations en poupées russes
apprentissage des représentations en matriochhkas
Anglais
Matryoshka Representation Learning
MRL
Sources
Contributeurs: Arianne Arel, Claude Coulombe, Patrick Drouin
