Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Encodeur Hiérarchique
Partie de l'autoencoder profond qui réduit progressivement la dimensionnalité des données à travers plusieurs couches, capturant des abstractions de plus en plus complexes.
Décodeur Hiérarchique
Partie de l'autoencoder profond qui reconstruit les données d'origine à partir de la représentation latente compressée, en inversant le processus de l'encodeur couche par couche.
Espace Latent Profond
Représentation compressée de basse dimension des données, apprise par les couches centrales de l'autoencoder profond, où les caractéristiques les plus importantes sont encodées.
Goulot d'Étranglement (Bottleneck)
Couche centrale de l'autoencoder avec la plus faible dimensionnalité, forçant le réseau à apprendre la représentation la plus concise et informative des données.
Pré-entraînement par Couches (Layer-wise Pre-training)
Technique d'initialisation des poids d'un autoencoder profond en entraînant séquentiellement chaque paire encodeur-décodeur comme un autoencoder peu profond, améliorant la convergence.
Dénosing Autoencoder Profond
Variante d'autoencoder profond entraînée à reconstruire des données propres à partir de versions corrompues par du bruit, favorisant l'apprentissage de caractéristiques robustes.
Autoencoder Variational Profond (VAE)
Autoencoder profond où l'espace latent est contraint à suivre une distribution probabiliste (typiquement gaussienne), permettant la génération de nouvelles données et l'interpolation.
Régularisation par Sparsité
Technique ajoutant une pénalité à la fonction de coût pour encourager les neurones de la couche latente à être majoritairement inactifs, favorisant des représentations plus discriminantes.
Autoencoder Convolutif Profond
Architecture d'autoencoder profond utilisant des couches de convolution et de pooling pour traiter efficacement des données structurées comme les images, en capturant les motifs spatiaux.
Désenchevêtrement de Facteurs (Factor Disentanglement)
Objectif avancé visant à ce que chaque dimension de l'espace latent d'un autoencoder profond encode un facteur de variation sémantique indépendant et interprétable.
Autoencoder Profond Contractif
Autoencoder profond pénalisé pour être insensible aux petites variations des données d'entrée, favorisant l'apprentissage de représentations stables et généralisables.
Réinitialisation Glorot/Xavier
Méthode d'initialisation des poids des neurones dans un autoencoder profond, cruciale pour éviter les problèmes de gradient évanescent ou explosif lors de l'entraînement.