Глоссарий ИИ
Полный словарь искусственного интеллекта
Graph Generative Models
Architecture de réseaux de neurones conçue pour apprendre la distribution sous-jacente des graphes et générer de nouvelles structures de graphes avec des propriétés similaires aux données d'entraînement.
GraphVAE
Variational Autoencoder adapté aux graphes utilisant un espace latent continu pour apprendre une distribution probabiliste sur les structures de graphes et permettre l'échantillonnage de nouveaux graphes.
GraphGAN
Réseau Général Adversarial appliqué aux graphes où un générateur crée des structures de graphes et un discriminateur évalue leur authenticité par rapport aux graphes réels.
GraphRNN
Modèle génératif séquentiel utilisant des réseaux neuronaux récurrents pour générer des graphes nœud par nœud en modélisant la distribution des séquences d'ajout d'arêtes.
Molecular Graph Generation
Application spécialisée des modèles génératifs de graphes pour la création de nouvelles structures moléculaires valides avec des propriétés chimiques désirées.
Graph Autoregressive Models
Approche générative décomposant la probabilité jointe d'un graphe en produit de probabilités conditionnelles pour générer séquentiellement les nœuds et arêtes.
Graph Flow-based Models
Modèles génératifs utilisant des transformations bijectives pour mapper entre l'espace des graphes et un espace latent simple, permettant une génération exacte et une estimation de densité.
Graph Diffusion Models
Modèles génératifs appliquant progressivement du bruit aux graphes d'entraînement puis apprenant à inverser ce processus pour générer de nouvelles structures de graphes.
Нормализующие потоки для графов
Серии обратимых преобразований над графами, позволяющие точно моделировать распределение и эффективно генерировать новые графы.
Вариационные автокодировщики на основе графов (VAE)
Вариационный автокодировщик, специально разработанный для обработки инвариантной к перестановкам природы графов и их сложной топологической структуры.
Графовые свёрточные сети для генерации
Использование графовых нейронных сетей в качестве кодировщиков или декодировщиков в генеративных моделях для захвата структурных зависимостей при генерации графов.
Графовые сети внимания для генерации
Механизм внимания, адаптированный для графов, для избирательного взвешивания влияния различных частей графа в процессе генерации.
Графовые трансформеры для генерации
Модифицированная архитектура трансформера для обработки структур графов с учётом структурных смещений и специфичных для графов механизмов внимания.
Обучение с подкреплением на графах для генерации
Подход, рассматривающий генерацию графов как последовательный процесс принятия решений, в котором агент учится создавать оптимальные графы методом проб и вознаграждений.
Графовые модели на основе энергии
Генеративные модели, определяющие функцию энергии на графах, где графы с низкой энергией более вероятны, использующие выборку типа MCMC.
Неявные графовые модели
Генеративные модели, неявно определяющие распределение графов без явной формы, использующие такие техники, как GANs или модели на основе оценок.
Графовые нейронные ОДУ
Обыкновенные дифференциальные уравнения, применяемые к графам для моделирования непрерывной динамики в латентном пространстве и генерации графов путем численного решения.
Графовый вариационный вывод
Техника приближенного вывода, адаптированная для графов, для оценки апостериорных распределений в вероятностных генеративных моделях графов.
Модели латентного пространства графов
Представление графов в низкоразмерном латентном пространстве, где расстояния и геометрические отношения кодируют топологическую структуру исходного графа.
Последовательная генерация графов
Генеративная парадигма, строящая графы шаг за шагом, обычно путем последовательного добавления узлов и их связей в соответствии с изученной политикой.