AI 용어집
인공지능 완전 사전
Discriminator Latent
Réseau neuronal entraîné à distinguer entre les codes latents réels issus de l'encodeur et les échantillons tirés d'une distribution de probabilité cible.
Espace Latent Impose
Espace de variables latentes contraint par un adversaire à suivre une distribution de probabilité prédéfinie (gaussienne, uniforme ou autre).
Cycle-Consistent AAE
Variante assurant que la reconstructions successive de données codes et décodées maintiennent une cohérence cyclique pour améliorer la stabilité.
Partial Adversarial Regularization
Technique où seule une partie des dimensions latentes est régularisée adversarialement, préservant ainsi certains aspects invariants des données.
InfoVAE Adversarial
Combination utilisant la divergence KL mutuelle et un adversaire pour maximiser l'information mutuelle entre entrées et codes latents.
Adversarial Feature Matching
Objectif où l'encodeur apprend à faire correspondre les caractéristiques statistiques des codes latents avec ceux de la distribution cible.
Hierarchical AAE
Architecture multi-niveaux où chaque couche latente possède son propre adversaire, permettant une représentation hiérarchique progressive des données.
Adversarial Inference
Processus d'inférence où l'encodeur apprend à générer des codes latents qui trompent le discriminateur, remplaçant l'inférence variationnelle traditionnelle.
Reconstruction Loss+Adversarial Loss
Fonction objectif combinant la perte de reconstruction traditionnelle avec la perte adversariale pour équilibrer fidélité et réalisme des reconstructions.
Latent Space Traversal
Exploration systématique de l'espace latent d'un AAE pour découvrir des variations sémantiques continues grâce à la régularisation adversariale.
Adversarial Autoencoding for Disentanglement
Application des AAE pour séparer les facteurs de variation intrinsèques dans un espace latent structuré par des adversaires spécialisés.
Semi-Supervised AAE
Extension où l'espace latent est partitionné entre variables supervisées (étiquettes) et non-supervisées avec adversaires distincts pour chaque groupe.
Adversarial Latent Optimization
Méthode d'optimisation directe des codes latents pour maximiser le succès du discriminateur sans entraîner explicitement un encodeur.
Wasserstein AAE
Variante utilisant la distance de Wasserstein dans l'adversaire pour une régularisation plus stable de la distribution latente.
Adversarial Domain Adaptation AAE
Application où un adversaire force les codes latents de différents domaines à avoir des distributions identiques pour faciliter le transfert d'apprentissage.
Adversarial Regularization Strength
Hyperparamètre contrôlant l'influence relative de la perte adversariale par rapport à la perte de reconstruction dans l'optimisation globale.
Adversarial Decoder
Décodeur supplémentaire entraîné adversarialement pour améliorer la qualité des générations en compétition avec le décodeur principal.