Глоссарий ИИ
Полный словарь искусственного интеллекта
VAE-GAN
Модель, объединяющая вариационные автоэнкодеры (VAE) и генеративно-состязательные сети (GAN), в которой декодер VAE выступает в роли генератора, а дополнительный дискриминатор оценивает качество сгенерированных выборок.
BiGAN
Двунаправленная генеративно-состязательная сеть, позволяющая одновременное обучение генератора и инвертированного энкодера, где дискриминатор различает пары (реальные данные, кодирование) от пар (сгенерированные данные, шум).
ALI
Adversarially Learned Inference (Состязательное Обучение Вывода), модель, аналогичная BiGAN, в которой энкодер обучается апостериорному распределению над латентными переменными состязательным образом, что позволяет эффективный вывод в генеративных моделях.
Espace Latent Structuré
Пространство представлений, изучаемое состязательными автоэнкодерами, в котором измерения декоррелированы и интерпретируемы, что облегчает семантические манипуляции и когерентные интерполяции между выборками.
Reconstruction Adversaire
Процесс, в котором качество реконструкции автоэнкодера оценивается дискриминатором, а не простой попиксельной потерей, что гарантирует более реалистичные и перцептуально лучшие реконструкции.
Divergence Adversaire
Мера расхождения между распределениями, изучаемая состязательным образом, заменяющая традиционную расходимость Кульбака-Лейблера (KL) в VAE для захвата более сложных и мультимодальных структур данных.
Régularisation Adversaire
Техника, использующая дискриминатор для регуляризации латентного пространства автоэнкодера, предотвращающая переобучение и гарантирующая, что представления следуют желаемым свойствам, таким как непрерывность или гауссово распределение.
Inférence Adversaire
Метод обучения генеративных моделей, при котором процесс вывода (кодирование) оптимизируется состязательным образом с генерацией, балансируя точность реконструкции и качество генерации.
Autoencodeur Débruitant Adversaire
Variante des autoencodeurs débruitants où un discriminateur supplémentaire évalue la qualité des débruitages, forçant le modèle à produire des restaurations non seulement précises mais aussi réalistes.
CycleGAN-AE
Architecture combinant les cycle-consistent GANs avec des autoencodeurs pour garantir des traductions inter-domaines préservant à la fois le contenu sémantique et la structure latente des données originales.
Mode Collapse Atténué
Phénomène réduit dans les modèles hybrides autoencodeur-GAN où la contrainte de reconstruction force le générateur à couvrir l'ensemble de la distribution des données plutôt que de se concentrer sur quelques modes seulement.
Pépite Latente Adversaire
Vecteur dans l'espace latent d'un autoencodeur adversaire dont la modification produit des changements contrôlés et interprétables dans les données générées, permettant des éditions sémantiques précises.
Discriminateur Multi-échelle
Architecture discriminante évaluant les générations à plusieurs résolutions simultanément dans les systèmes autoencodeur-GAN, garantissant la cohérence à la fois des détails fins et des structures globales.
Autoencodeur Quantifié Adversaire
Modèle où le code latent est discrétisé par quantification vectorielle avec un processus d'apprentissage antagoniste, permettant des représentations compressées efficaces tout en maintenant une haute qualité générative.