« Réseau antagoniste génératif » : différence entre les versions

Version du 13 août 2022 à 15:24

Définition

Un réseau antagoniste génératif (RAG) est un algorithme d'apprentissage profond non supervisé. Le RAG est un modèle génératif, il n'est donc pas conçu pour classer des images, mais pour générer des images synthétiques avec un fort degré de réalisme.

Compléments

Dans un RAG, deux réseaux neuronaux profonds sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si l'image échantillon est réelle ou bien si elle est le résultat du générateur. Les paramètres des deux réseaux sont modifiés selon le résultat de la prédiction du réseau discriminateur, ce qui permet au réseau générateur de produire des images de plus en plus vraisemblables.

Le réseau antagoniste génératif a été inventé par Ian Goodfellow en 2014 alors qu'il était étudiant au laboratoire MILA de l'Université de Montréal.

Français

réseau antagoniste génératif

réseau adverse génératif (emploi plus rare)

réseau adversaire génératif (emploi plus rare)

RAG

réseau génératif antagoniste (emploi plus rare)

Anglais

Generative adversarial network

GAN

Source : Wikipedia IA

Source: GDT Source : TERMIUM Plus

@@ Ligne 1 : / Ligne 1 : @@
 ==Définition==
-En intelligence artificielle, le réseau antagoniste génératif -RAG, (''generative adversarial network -'' GAN) est une classe d'algorithmes d'apprentissage non-supervisé. Ces algorithmes ont été introduits par Goodfellow et al. 2014 alors qu'il était étudiant au MILA à Montréal. Ils permettent de générer des images avec un fort degré de réalisme.
+Un réseau antagoniste génératif (RAG) est un algorithme d'apprentissage profond non supervisé. Le RAG est un modèle génératif, il n'est donc pas conçu pour classer des images, mais pour générer des images synthétiques avec un fort degré de réalisme.
-Un RAG est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur. L'apprentissage peut être modélisé comme un jeu à somme nulle.
+==Compléments==
+Dans un RAG, deux réseaux neuronaux profonds sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si l'image échantillon est réelle ou bien si elle est le résultat du générateur. Les paramètres des deux réseaux sont modifiés selon le résultat de la prédiction du réseau discriminateur, ce qui permet au réseau générateur de produire des images de plus en plus vraisemblables.
+Le réseau antagoniste génératif a été inventé par Ian Goodfellow en 2014 alors qu'il était étudiant au laboratoire MILA de l'Université de Montréal.
 ==Français ==
-'''réseau adverse génératif'''
+'''réseau antagoniste génératif'''
+'''réseau adverse génératif''' <small><i>(emploi plus rare)</i></small>
+'''réseau adversaire génératif''' <small><i>(emploi plus rare)</i></small>
+'''RAG'''
-'''réseau antagoniste génératif'''
+'''réseau génératif antagoniste''' <small><i>(emploi plus rare)</i></small>
 ==Anglais==
 '''Generative adversarial network'''
+'''GAN'''
 <small>
 [https://fr.wikipedia.org/wiki/R%C3%A9seaux_antagonistes_g%C3%A9n%C3%A9ratifs Source : Wikipedia IA]
+[https://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=26552578 Source: GDT]
 [https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=r%C3%A9seau+antagoniste+g%C3%A9n%C3%A9ratif&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus]
 </small><br> <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html>
 <br></div><br><br>
 [[Category:Intelligence artificielle]]
 [[Catégorie:Apprentissage automatique]]
 [[Catégorie:Apprentissage profond]]
 [[Category:GRAND LEXIQUE FRANÇAIS]]
 [[Catégorie:101]]
+[[Catégorie:PUBLICATION]]