Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Prototypical Networks
Architecture de few-shot learning qui apprend un espace métrique où les classes sont représentées par des prototypes calculés comme la moyenne des embeddings des exemples de support.
Episode Training
Stratégie d'entraînement en few-shot learning où chaque épisode simule une tâche de few-shot avec un ensemble de support et un ensemble de requête pour imiter les conditions de test.
Support Set
Ensemble d'exemples étiquetés fournis au modèle lors de l'inférence pour l'aider à comprendre et classifier de nouvelles classes avec très peu d'exemples disponibles.
Query Set
Ensemble d'exemples non étiquetés que le modèle doit classifier en utilisant les connaissances acquises à partir du support set lors de l'évaluation few-shot.
Metric Learning
Domaine d'apprentissage automatique visant à apprendre une fonction de distance ou similarité qui rapproche les exemples similaires et éloigne ceux qui sont différents, fondamental en few-shot learning.
One-Shot Learning
Cas extrême du few-shot learning où le modèle doit apprendre à reconnaître de nouvelles classes à partir d'un seul exemple par classe lors de l'inférence.
Relation Networks
Architecture few-shot qui apprend explicitement une fonction de comparaison pour mesurer la relation entre les exemples de support et de requête dans un espace embedding.
Base Classes
Catégories d'entraînement avec de nombreux exemples disponibles utilisées pour pré-entraîner le modèle avant l'adaptation few-shot aux nouvelles classes.
Novel Classes
Nouvelles classes avec peu ou pas d'exemples que le modèle doit apprendre à reconnaître pendant la phase de test en few-shot learning.
Cross-Domain Few-Shot
Variante du few-shot learning où les classes cibles proviennent d'un domaine différent des classes d'entraînement, présentant un défi de transfert plus complexe.
Feature Embedding
Représentation vectorielle de basse dimension des données d'entrée qui capture les caractéristiques sémantiques essentielles, cruciale pour la comparaison en few-shot learning.
Matching Networks
Architecture few-shot qui utilise un mécanisme d'attention pour comparer chaque exemple de requête à tous les exemples de support et générer une prédiction pondérée.
Task-Agnostic Pretraining
Phase de pré-entraînement où le modèle apprend des représentations générales sans connaissance des tâches few-shot spécifiques qu'il rencontrera plus tard.
Adaptive Fine-Tuning
Technique d'adaptation rapide des poids du modèle avec peu d'itérations sur les exemples de support pour s'adapter aux nouvelles classes en few-shot learning.
Hierarchical Few-Shot
Approche few-shot qui exploite les relations hiérarchiques entre classes pour améliorer la généralisation lorsque peu d'exemples sont disponibles.
Self-Supervised Few-Shot
Combinaison de l'apprentissage auto-supervisé avec few-shot learning pour améliorer les représentations avant l'adaptation aux nouvelles classes avec peu d'exemples.