AI 용어집
인공지능 완전 사전
Réseaux Antagonistes Génératifs (GANs)
Architecture composée de deux réseaux neuronaux en compétition pour générer des données réalistes par apprentissage adversarial.
Autoencodeurs Variationnels (VAEs)
Modèles probabilistes qui apprennent des représentations latentes compressées pour générer de nouvelles données par échantillonnage.
Modèles de Diffusion
Techniques générant des données en inversant progressivement un processus de bruitage gaussien sur plusieurs étapes.
Transformers Génératifs
Architecture basée sur l'attention mécanique utilisée pour générer du texte, des images et d'autres données séquentielles.
Flows de Normalisation
Modèles transformant une distribution simple en distribution complexe via des transformations bijectives inversibles.
Modèles Autorégressifs
Approche générative où chaque élément est prédit conditionnellement aux éléments précédents dans une séquence.
Modèles à Base d'Énergie
Framework génératif attribuant une énergie à chaque configuration de données, les configurations de faible énergie étant plus probables.
Champs de Radiance Neuronaux (NeRF)
Technique générant des vues 3D photoréalistes en représentant des scènes comme des champs de densité et couleur continus.
Modèles Basés sur les Scores
Approche générative utilisant des gradients de score de densité pour guider le processus de génération de données.
Autoencodeurs Adversaires
Combination d'autoencodeurs et de GANs pour améliorer la qualité et la diversité des données générées.
Modèles Hybrides GAN-VAE
Architecture combinant les avantages des GANs et VAEs pour une génération plus stable et diversifiée.
Représentations Neurales Implicites
Modèles génératifs représentant des signaux continus comme des fonctions paramétrées par des réseaux neuronaux.