एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
M1 Model
Premier modèle semi-supervisé utilisant un VAE pour les données non étiquetées et un classificateur séparé pour les données étiquetées, optimisé indépendamment.
M2 Model
Architecture améliorée où l'étiquette est intégrée comme variable latente conditionnelle, permettant une génération de données contrôlée et une classification unifiée.
Joint Optimization
Stratégie d'optimisation simultanée de l'encodeur, du décodeur et du classificateur utilisant à la fois des données étiquetées et non étiquetées.
Latent Variable Supervision
Technique où les étiquettes servent de supervision directe sur l'espace latent pour guider l'apprentissage des représentations discriminatives.
Hybrid Learning Objective
Fonction de perte combinant la reconstruction VAE, la régularisation KL et la perte de classification, pondérée selon le type de données.
Classifier Head
Module de classification attaché à l'encodeur VAE qui prédit les étiquettes à partir de la représentation latente, entraîné sur les données étiquetées.
Semi-supervised ELBO
Variante de la borne inférieure de l'évidence adaptée pour les données partiellement étiquetées intégrant les termes de classification.
Representation Disentanglement
Propriété où l'espace latent sépare naturellement les facteurs de variation sémantiques des facteurs de style, facilitée par la supervision partielle.
Teacher-student VAE
Architecture où un VAE enseignant supervise un VAE étudiant pour améliorer la stabilité de l'apprentissage semi-supervisé.
Variational Semi-supervised Learning
Paradigme combinant l'inférence variationnelle avec des données partiellement supervisées pour une modélisation probabiliste unifiée.
Latent Classifier
Classificateur opérant directement dans l'espace latent du VAE, exploitant les représentations apprises pour une meilleure généralisation.
Auxiliary Task Learning
Apprentissage multi-tâches où la reconstruction sert de tâche auxiliaire pour améliorer la performance de classification principale.