Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Vision-Language Pre-training
Approche d'apprentissage auto-supervisé où les modèles sont pré-entraînés sur de vastes corpus d'images et de textes associés. Établit des correspondances fondamentales entre concepts visuels et descriptions linguistiques avant fine-tuning.
Joint Representation Learning
Processus d'apprentissage simultané de caractéristiques partagées entre plusieurs modalités pour créer une représentation unifiée. Capture les corrélations et complémentarités inter-modales dans un vecteur unique.
Modal Fusion
Intégration stratégique d'informations provenant de différentes modalités pour créer une représentation enrichie et cohérente. Combine efficacement les forces respectives de chaque modalité dans une sortie unifiée.
Grounding
Processus d'association de concepts abstraits (souvent textuels) à des éléments concrets dans une autre modalité (typiquement visuelle). Établit des liens directs entre mots et régions ou objets spécifiques dans les images.
Alignment Loss
Fonction de perte spécifiquement conçue pour optimiser la correspondance sémantique entre éléments de modalités différentes. Guide l'apprentissage vers un alignement optimal dans l'espace de représentation partagé.
Semantic Consistency
Principe garantissant que les représentations multimodales préservent un sens cohérent à travers les différentes modalités. Assure que des éléments sémantiquement équivalents partagent des caractéristiques similaires.
Multimodal Pre-training
Phase d'initialisation des poids d'un modèle multimodal sur des données massives non-annotées. Développe des capacités fondamentales d'alignement avant adaptation à des tâches spécifiques.
Modal Alignment Metrics
Indicateurs quantitatifs évaluant la qualité de la correspondance entre représentations de différentes modalités. Mesurent la précision et la cohérence sémantique des alignements appris.
Weakly Supervised Alignment
Approche d'apprentissage utilisant des annotations partielles ou bruitées pour aligner les modalités. Réduit la dépendance aux données étiquetées tout maintenant une performance d'alignement raisonnable.
Self-supervised Multimodal Learning
Paradigme où le modèle apprend automatiquement des alignements en exploitant les corrélations naturelles entre modalités non-annotées. Génère des signaux d'apprentissage intrinsèques à partir de la structure multimodale des données.