Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Apprentissage incrémental
Paradigme d'apprentissage où un modèle s'améliore continuellement à partir de nouvelles données sans nécessiter de réentraînement complet sur l'historique des données. Cette approche permet une adaptation en temps réel tout en préservant les connaissances antérieurement acquises.
Continual learning
Domaine de l'IA visant à développer des systèmes capables d'apprendre séquentiellement de multiples tâches sans réinitialisation complète. L'objectif est de créer des modèles adaptatifs qui accumulent des connaissances sur le long terme.
Dynamic Expandable Networks
Modèles capables d'adapter dynamiquement leur architecture en ajoutant de nouvelles unités ou couches lorsque de nouvelles classes ou tâches apparaissent. Cette expansion contrôlée permet une croissance efficace sans compromettre les performances existantes.
Regularization-based methods
Famille d'approches utilisant des termes de pénalité dans la fonction de perte pour contraindre les modifications des poids importants. Ces méthodes identifient et protègent les paramètres critiques pour les performances sur les tâches précédentes.
Architecture-based methods
Stratégies d'apprentissage continu modifiant la structure du réseau pour accommoder de nouvelles connaissances sans interférer avec les anciennes. Ces approches incluent l'expansion dynamique et l'allocation de ressources dédiées par tâche.
Replay-based methods
Techniques d'apprentissage continu utilisant un stockage et une réutilisation sélective des données passées pour maintenir les performances. Ces méthodes varient dans leur stratégie de sélection et de rééchantillonnage des expériences mémorisées.
Task-incremental learning
Scénario d'apprentissage continu où l'identité de la tâche est connue lors de l'inférence, permettant l'utilisation de masques ou de sous-réseaux spécifiques. Cette simplification facilite la séparation des connaissances entre différentes tâches.
Domain-incremental learning
Paradigme où les classes restent constantes mais la distribution des données change progressivement entre les tâches. Le modèle doit s'adapter aux nouveaux domaines tout en maintenant sa capacité à reconnaître toutes les classes.
Class-incremental learning
Scénario le plus contraignant où de nouvelles classes sont introduites progressivement sans connaissance de l'identité de la tâche. Le modèle doit distinguer entre les anciennes et nouvelles classes tout en évitant l'oubli des connaissances passées.