Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Metric-based Meta-Learning
Approche qui apprend une métrique de distance ou de similarité pour comparer les exemples et faire des prédictions sur de nouvelles tâches.
Model-based Meta-Learning
Méthodes qui utilisent des modèles avec mémoire interne ou mécanismes d'attention pour s'adapter rapidement à de nouvelles tâches.
Optimization-based Meta-Learning
Techniques qui optimisent directement le processus d'apprentissage pour permettre une adaptation rapide avec peu de mises à jour de gradients.
MAML (Model-Agnostic Meta-Learning)
Algorithme qui entraîne des modèles avec une initialisation de paramètres optimale pour un apprentissage rapide sur de nouvelles tâches.
Prototypical Networks
Architecture qui apprend un espace d'embedding où chaque classe est représentée par un prototype calculé à partir des exemples de support.
Siamese Networks
Réseaux de neurones jumeaux qui apprennent à mesurer la similarité entre paires d'entrées pour le few-shot learning.
Matching Networks
Modèles qui utilisent des mécanismes d'attention pondérée pour faire correspondre les exemples de test aux exemples de support.
Relation Networks
Architecture qui apprend une fonction de relation pour comparer les embeddings d'exemples de support et de test.
Memory-Augmented Neural Networks
Réseaux neuronaux avec mémoire externe permettant un stockage rapide et une récupération efficace d'informations pour de nouvelles tâches.
Meta-Reinforcement Learning
Application du meta-learning aux problèmes d'apprentissage par renforcement pour une adaptation rapide à de nouveaux environnements.
Continual Meta-Learning
Approche combinant meta-learning et continual learning pour apprendre continuellement sur de nouvelles tâches sans oublier les précédentes.
Meta-Learning for Hyperparameter Optimization
Utilisation du meta-learning pour optimiser automatiquement les hyperparamètres des modèles d'apprentissage.
Neural Architecture Search with Meta-Learning
Application du meta-learning pour découvrir automatiquement des architectures de réseaux neuronaux optimales pour des tâches spécifiques.
Zero-Shot Learning
Capacité à reconnaître des classes jamais vues en apprentissage en utilisant des informations sémantiques ou des descriptions.
One-Shot Learning
Sous-domaine du few-shot learning où le modèle doit apprendre à partir d'un seul exemple par classe.
Meta-Learning for Few-Shot Classification
Spécialisation du meta-learning axée sur les problèmes de classification avec très peu d'exemples d'entraînement par classe.
Task-Agnostic Meta-Learning
Approche qui apprend des représentations universelles sans connaissance préalable de la distribution des tâches futures.