Глоссарий ИИ
Полный словарь искусственного интеллекта
TimeGAN
Architecture de GAN spécifiquement conçue pour générer des séries temporelles réalistes en capturant les dépendances temporelles et les distributions multidimensionnelles complexes des données séquentielles.
Autoencodeur Variationnel Temporel
Modèle génératif qui apprend une représentation latente continue des séries temporelles et peut générer de nouvelles séries en échantillonnant depuis cet espace latent tout en préservant la structure temporelle.
Jittering Temporel
Technique d'augmentation qui ajoute un bruit gaussien aux points temporels pour simuler les variations de mesure et améliorer la robustesse du modèle face aux incertitudes temporelles.
Time Warping
Méthode de déformation temporelle qui modifie légèrement la vitesse d'évolution de la série temporelle pour créer des variations tout en préservant les motifs fondamentaux et les caractéristiques globales.
SMOTE Temporel
Adaptation de l'algorithme SMOTE pour les séries temporelles qui génère des échantillons synthétiques en interpolant entre points temporels voisins tout en respectant la continuité temporelle et les contraintes séquentielles.
Diffusion Temporelle
Approche générative qui applique progressivement du bruit aux séries temporelles puis apprend à inverser ce processus pour générer de nouvelles séries réalistes avec des caractéristiques temporelles cohérentes.
Window Slicing
Méthode d'augmentation qui extrait des sous-fenêtres temporelles de différentes tailles et positions à partir des séries originales pour augmenter la diversité des données d'entraînement tout en préservant les motifs locaux.
Mixup Temporel
Stratégie de régularisation qui combine linéairement deux séries temporelles avec un coefficient de mélange aléatoire pour créer de nouveaux échantillons synthétiques tout en maintenant la cohérence temporelle des séquences.
Ondelettes Synthétiques
Technique de génération qui utilise la décomposition en ondelettes pour créer de nouvelles séries temporelles en recombinant différents coefficients d'ondelettes avec des paramètres ajustables pour contrôler les caractéristiques fréquentielles et temporelles.
GAN Récurrent
Architecture GAN intégrant des réseaux récurrents (LSTM/GRU) dans le générateur et le discriminateur pour capturer efficacement les dépendances à long terme et les patterns séquentiels dans les séries temporelles générées.
Interpolation par Splines
Méthode d'augmentation qui utilise des fonctions splines pour interpoler entre points temporels existants, créant ainsi des séries lisses et réalistes avec des gradients continus préservant la dynamique temporelle.
Copules Temporelles
Approche statistique qui modélise la structure de dépendance entre différents points temporels pour générer des séries synthétiques préservant les corrélations temporelles et les distributions marginales.
Scaling Temporel
Technique d'augmentation qui multiplie les valeurs de la série temporelle par un facteur aléatoire pour simuler différentes amplitudes tout en conservant la forme et les patterns temporels fondamentaux.
Cropping Temporel
Méthode qui sélectionne aléatoirement des segments continus de séries temporelles pour créer de nouvelles séquences plus courtes, augmentant ainsi la diversité des données tout en préservant les motifs locaux importants.
GAN Basé sur Transformer
Architecture générative utilisant des mécanismes d'attention Transformer pour capturer les dépendances à longue distance et les relations complexes dans les séries temporelles multivariées lors de la génération synthétique.
Augmentation par Débruitage
Stratégie qui ajoute du bruit contrôlé aux séries temporelles puis entraîne un modèle à reconstruire les données originales, générant ainsi des versions robustes et légèrement variées des séquences initiales.
Синтез случайным блужданием
Генеративный метод, использующий процессы случайного блуждания с параметрами, настроенными на существующие данные, для создания синтетических временных рядов, сохраняющих основные статистические свойства.
Временной условный GAN
Вариант GAN, который генерирует временные ряды, обусловленные метаданными или конкретными начальными состояниями, позволяя точный контроль над характеристиками генерируемых последовательностей.
Предсказывающее автоэнкодирование
Модель, которая учится предсказывать будущие временные точки, одновременно сжимая прошлые последовательности, что позволяет генерировать непрерывные продолжения существующих временных рядов.