AI 용어집
인공지능 완전 사전
FT-Transformer
Architecture Transformer adaptée aux données tabulaires combinant un encodage de caractéristiques et des mécanismes d'attention pour modéliser les interactions entre variables.
Feature Tokenization
Processus de conversion des caractéristiques numériques et catégorielles en tokens d'entrée pour les architectures Transformer, préservant leur nature sémantique.
Numerical Embedding
Technique de projection des variables continues dans un espace vectoriel de dimension fixe via des couches de perceptron multicouche.
Categorical Embedding
Représentation vectorielle apprise des variables discrètes où chaque catégorie est mappée à un embedding de dimension fixe.
Feature-wise Linear Modulation
Mécanisme de modulation où les caractéristiques d'entrée contrôlent les transformations appliquées aux représentations intermédiaires.
Tabular Data Preprocessing
Pipeline de transformation spécifique aux données structurées incluant la normalisation, l'encodage one-hot et la gestion des valeurs manquantes.
Token Embedding Dimension
Taille de l'espace vectoriel dans lequel chaque caractéristique tokenisée est projetée, paramètre crucial de l'architecture.
Feature Interaction Modeling
Capacité du FT-Transformer à capturer automatiquement les interactions non linéaires entre caractéristiques via l'attention.
Tabular Transformer Architecture
Adaptation spécifique de l'architecture Transformer pour traiter efficacement les données tabulaires avec tokenisation des caractéristiques.
CLS Token Pooling
Stratégie d'agrégation utilisant le token CLS pour produire une représentation globale de l'échantillon pour la tâche de classification.
Feature Token Sequence
Séquence ordonnée de tokens représentant les caractéristiques d'un échantillon tabulaire servant d'entrée au Transformer.
Numerical Feature Binning
Technique de discrétisation optionnelle des variables continues avant tokenisation pour améliorer la représentation.