Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Modèles de Dynamique Environnementale
Apprentissage de modèles mathématiques décrivant comment l'environnement évolue en fonction des actions de l'agent.
Apprentissage par Enveloppement (World Models)
Architecture où l'agent construit une représentation interne du monde pour simuler et planifier ses actions futures.
Planification Monte Carlo Tree Search
Utilisation d'algorithmes de recherche dans l'arbre combinés avec des modèles appris pour trouver les politiques optimales.
Modèles Probabilistes et Bayésiens
Approches intégrant l'incertitude dans la modélisation de l'environnement pour une prise de décision robuste.
Apprentissage par Imagination et Rêve
Techniques où l'agent s'entraîne sur des scénarios simulés mentalement avant d'agir dans le réel.
Modèles Variationnels
Utilisation d'autoencodeurs variationnels pour apprendre des représentations latentes de l'environnement.
Apprentissage par Transfer avec Modèles
Transfert de connaissances entre environnements en utilisant des modèles appris comme intermédiaires.
Modèles Graphiques pour RL
Représentation de l'environnement sous forme de graphes pour capturer les relations structurelles.
Apprentissage par Renforcement Hiérarchique Basé sur Modèles
Décomposition hiérarchique des tâches avec modèles à différents niveaux d'abstraction temporelle.
Modèles Continus et Différentiables
Modélisation de dynamiques continues où le modèle reste différentiable pour l'optimisation.
Calibration d'Incertitude et Exploration
Techniques pour quantifier et gérer l'incertitude du modèle afin d'optimiser l'exploration.
Apprentissage par Renforcement Inverse Basé sur Modèles
Inférence des fonctions de récompense en utilisant des modèles pour générer des trajectoires plausibles.