AI 용어집
인공지능 완전 사전
Adversarial Active Learning
Learning paradigm where an agent actively selects the most informative samples while using adversarial techniques to improve model robustness and efficiency.
GANs for Active Learning
Use of generative adversarial networks to synthesize optimized training samples that maximize classifier uncertainty and accelerate its learning.
Adversarial Uncertainty Sampling
Sample selection strategy combining model uncertainty measures with adversarial attacks to identify the most critical points to annotate.
Adversarial Query Strategy
Query method that integrates adversarial perturbations into the selection process to ensure the model learns from the most difficult and robust examples.
Active Learning with Conditional GANs
Approach using conditional GANs to generate targeted synthetic samples in low-confidence regions of the classifier, thus optimizing active selection.
Adversarial Active Sampling
Active sampling technique that applies adversarial transformations to existing examples to create variations maximizing uncertainty before selection.
Active Discriminator
Component of a GAN system adapted for active learning, evaluating not only authenticity but also the learning potential of each generated sample.
Query Generator
Neural network designed to generate optimal query samples in an active learning framework, minimizing the number of annotations required.
Active Learning Robuste Adversarial
Framework d'apprentissage actif intégrant une robustesse explicite contre les attaques adversariales tout en optimisant la sélection d'échantillons pour l'annotation humaine.
Variance Adversariale Active
Mesure combinant l'estimation de la variance du modèle avec des perturbations adversariales pour identifier les échantillons offrant le meilleur rapport information/coût d'annotation.
ActiveGAN
Architecture spécifique de GAN optimisée pour l'apprentissage actif, capable de générer des échantillons diversifiés dans les zones frontières de l'espace de décision.
Stratégie de Margin Adversarial
Approche de sélection active basée sur la minimisation de la marge de décision du classifieur, renforcée par des attaques adversariales pour trouver les exemples les plus ambigus.
Synthetic Active Learning
Paradigme où des échantillons synthétiques générés par des modèles adversariaux remplacent ou complètent les vraies données dans le processus d'apprentissage actif.
Adversarial Query Synthesis
Processus de génération de requêtes optimales par des méthodes adversariales, créant des échantillons qui maximisent l'information gain pour le classifieur.
Active Learning avec Wasserstein GAN
Variante d'apprentissage actif utilisant des WGANs pour améliorer la stabilité de la génération d'échantillons critiques et la convergence du processus de sélection.