Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
GAN-based Augmentation
Technique utilisant des réseaux antagonistes génératifs pour synthétiser de nouveaux échantillons d'entraînement réalistes à partir d'un ensemble limité de données. Les GANs apprennent la distribution sous-jacente des données pour générer des exemples plausibles et diversifiés.
Variational Autoencoders
Architecture de réseau neuronal génératif qui apprend une représentation latente compressée des données avant de reconstruire ou de générer de nouveaux échantillons. Les VAEs sont particulièrement utiles pour créer des variations contrôlées dans l'espace des caractéristiques.
Feature Space Augmentation
Technique d'augmentation qui opère directement dans l'espace des caractéristiques plutôt que dans l'espace des pixels ou des données brutes. Cette approche permet de créer des variations sémantiquement cohérentes tout en préservant les relations structurelles entre les classes.
Adversarial Augmentation
Technique d'augmentation qui utilise des perturbations adversaires pour créer des échantillles robustes qui améliorent la résistance du modèle aux attaques. Cette approche renforce la généralisation en exposant le modèle à des variations extrêmes mais plausibles.
AutoAugment
Méthode d'apprentissage automatique qui optimise automatiquement les politiques d'augmentation de données pour maximiser la performance du modèle sur un ensemble de validation donné. Cette approche découvre des stratégies d'augmentation adaptatives et spécifiques au domaine.
Cross-Domain Augmentation
Stratégie qui transfère et adapte des techniques d'augmentation d'un domaine à un autre pour enrichir les datasets limités. Cette approche exploite les connaissances cross-domain pour créer des variations pertinentes dans des contextes peu fournis en données.