Глоссарий ИИ
Полный словарь искусственного интеллекта
M1 Модель
Первая полу-контролируемая модель, использующая VAE для немаркированных данных и отдельный классификатор для маркированных данных, оптимизированные независимо.
M2 Модель
Улучшенная архитектура, где метка интегрирована как условная латентная переменная, позволяющая контролируемую генерацию данных и унифицированную классификацию.
Совместная оптимизация
Стратегия одновременной оптимизации энкодера, декодера и классификатора с использованием как маркированных, так и немаркированных данных.
Надзор за латентными переменными
Техника, где метки служат прямым надзором в латентном пространстве для направления обучения дискриминативных представлений.
Гибридная целевая функция обучения
Функция потерь, сочетающая реконструкцию VAE, KL-регуляризацию и потерю классификации, взвешенную в зависимости от типа данных.
Головка классификатора
Модуль классификации, присоединенный к энкодеру VAE, который предсказывает метки из латентного представления, обученный на маркированных данных.
Полу-контролируемая ELBO
Вариант нижней границы доказательства, адаптированный для частично маркированных данных, интегрирующий термины классификации.
Разделение представлений
Свойство, при котором латентное пространство естественно разделяет семантические факторы вариации от факторов стиля, облегчаемое частичным надзором.
VAE учитель-ученик
Архитектура, в которой VAE-учитель контролирует VAE-ученика для повышения стабильности полу-контролируемого обучения.
Вариационное полу-контролируемое обучение
Парадигма, объединяющая вариационный вывод с частично размеченными данными для единого вероятностного моделирования.
Латентный классификатор
Классификатор, работающий непосредственно в латентном пространстве VAE, использующий изученные представления для лучшей обобщающей способности.
Обучение с вспомогательными задачами
Многозадачное обучение, где реконструкция служит вспомогательной задачей для улучшения производительности основной классификации.