KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Discriminateur de distribution
Réseau neuronal qui apprend à distinguer les échantillons provenant de la distribution latente encodée de ceux tirés de la distribution priori cible. Optimisé de manière adversariale pour améliorer la régularisation de l'espace latent.
Distribution priori arbitraire
Distribution de probabilité choisie pour l'espace latent, pouvant être gaussienne, uniforme, catégorielle ou même une distribution complexe. L'AAE peut imposer n'importe quelle forme de distribution contrairement aux VAE classiques.
Inférence variationnelle adversariale
Approche d'inférence variationnelle remplaçant le calcul explicite de divergence KL par un apprentissage adversarial implicite. Permet une modélisation plus flexible et évite les biais d'approximation.
Mode matching
Objectif de l'AAE consistant à faire correspondre les modes de la distribution latente encodée avec ceux de la distribution cible. Contraste avec le mode covering des GAN traditionnels.
Echantillonnage latent direct
Capacité des AAE à générer de nouvelles données en échantillonnant directement depuis la distribution priori sans passer par un processus d'inférence. Simplifie grandement la génération comparée aux VAE classiques.
Perte adversariale latente
Terme de la fonction objectif pénalisant l'écart entre la distribution latente encodée et la distribution priori cible. Optimisée via le jeu entre encodeur (générateur) et discriminateur.
Représentations désenchevêtrées
Propriété des AAE permettant d'apprendre des représentations où les facteurs de variation des données sont séparés dans l'espace latent. Facilitée par le contrôle distributionnel sur chaque dimension latente.
Gradient penalty latente
Technique de régularisation appliquée au discriminateur pour stabiliser l'entraînement et éviter le mode collapse. Applique une contrainte sur la norme du gradient dans l'espace latent.
Latent mixture of Gaussians
Complex prior distribution combining multiple Gaussian components that AAEs can learn to impose on the latent space. Enables finer modeling of multi-modal data structures.
Relaxed evidence lower bound (ELBO)
Modified version of the evidence lower bound used in AAEs where the KL divergence term is replaced by the adversarial loss. Offers more flexible optimization but without theoretical guarantees.