« Correspondance de score » : différence entre les versions
m (Remplacement de texte — « == Description == » par « == Définition == ») |
m (Remplacement de texte : « ↵↵↵==Sources== » par « ==Sources== ») |
||
| (14 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
... | L'appariement des scores est une approche de l'apprentissage non supervisé basée sur l'estimation de la densité de la distribution statistique. | ||
== Compléments == | |||
Elle a été introduite en tant que [[modèle non paramétrique|méthode non paramétrique]] d'estimation de la fonction de densité de probabilité sous-jacente des données. Elle ne repose donc pas sur une loi de probabilité paramétrique, mais uniquement sur une mesure directe de la distribution statistique des données. Il n'y a donc pas de modèle, ce sont les données qui font foi de tout. | |||
Contrairement aux techniques traditionnelles d'estimation de la densité qui impliquent l'ajustement d'un modèle paramétrique spécifique aux données, l'appariement par score utilise une fonction de score pour estimer directement le gradient de la log-vraisemblance. | |||
== Français == | == Français == | ||
''' | '''appariement de scores''' | ||
'''correspondance de scores''' | |||
== Anglais == | == Anglais == | ||
'''score matching''' | '''score matching''' | ||
==Sources== | |||
[https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ] | |||
[https://www. | |||
[https://medium.com/@evertongomede/denoising-autoencoders-and-score-matching-unraveling-the-secrets-of-unsupervised-learning-1bc348ea35a1 Source : ''Denoising Autoencoders and Score Matching: Unraveling the Secrets of Unsupervised Learning'', Everton Gomede 2023] | |||
[[Catégorie:GRAND LEXIQUE FRANÇAIS]] | |||
Dernière version du 29 janvier 2024 à 11:45
Définition
L'appariement des scores est une approche de l'apprentissage non supervisé basée sur l'estimation de la densité de la distribution statistique.
Compléments
Elle a été introduite en tant que méthode non paramétrique d'estimation de la fonction de densité de probabilité sous-jacente des données. Elle ne repose donc pas sur une loi de probabilité paramétrique, mais uniquement sur une mesure directe de la distribution statistique des données. Il n'y a donc pas de modèle, ce sont les données qui font foi de tout.
Contrairement aux techniques traditionnelles d'estimation de la densité qui impliquent l'ajustement d'un modèle paramétrique spécifique aux données, l'appariement par score utilise une fonction de score pour estimer directement le gradient de la log-vraisemblance.
Français
appariement de scores
correspondance de scores
Anglais
score matching
Sources
Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018
Contributeurs: Jacques Barolet, Patrick Drouin, wiki
