Thuật ngữ AI
Từ điển đầy đủ về Trí tuệ nhân tạo
DEC (Deep Embedded Clustering)
Algorithme de clustering profond qui optimise simultanément les paramètres du réseau et les affectations de clusters via une distribution cible auxiliaire. DEC minimise la divergence KL entre les distributions des clusters prédites et cibles.
Variational Deep Embedding (VaDE)
Modèle génératif profond qui combine des autoencodeurs variationnels avec des mélanges gaussiens pour effectuer du clustering non supervisé. VaDE infère les affectations de clusters et les paramètres du modèle via l'inférence variationnelle.
Convolutional Autoencoder Clustering
Technique spécialisée pour les données images utilisant des autoencodeurs convolutionnels pour extraire des features spatiales avant clustering. Cette méthode préserve les structures locales et globales inhérentes aux images.
Deep Gaussian Mixture Model
Extension des modèles de mélange gaussien où les paramètres sont modélisés par des réseaux de neurones profonds. Cette approche permet de capturer des distributions complexes et non linéaires dans l'espace des données.
Deep Generative Model Clustering
Utilisation de modèles génératifs profonds comme les GANs ou VAEs pour découvrir des clusters en apprenant la distribution sous-jacente des données. Cette méthode génère des échantillons représentatifs pour chaque cluster découvert.
Deep Reinforcement Clustering
Approche novatrice utilisant l'apprentissage par renforcement pour optimiser le processus de clustering profond. Un agent apprend des stratégies d'assignation de clusters via des récompenses basées sur la qualité du clustering.
Deep Metric Learning for Clustering
Technique qui apprend une métrique de distance personnalisée via un réseau de neurones pour améliorer la séparation inter-clusters et la cohésion intra-clusters. Cette méthode optimise explicitement l'espace d'embedding pour le clustering.
Deep Hierarchical Clustering
Extension du clustering hiérarchique où la similarité entre clusters est calculée via des représentations apprises par des réseaux profonds. Cette approche capture des structures multi-échelles dans les données complexes.
Deep Graph Clustering
Méthode spécialisée pour les données en graphe utilisant des réseaux de neurones graphes (GNNs) pour apprendre des embeddings avant clustering. Cette technique exploite la topologie et les attributs du graphe pour découvrir des communautés.
Deep Neural Network Clustering
Paradigme général où l'architecture du réseau de neurones est spécifiquement conçue pour faciliter le clustering, souvent avec des couches de clustering intégrées. Cette approche unifie l'extraction de features et le clustering en un seul modèle.
Deep Manifold Clustering
Technique qui modélise les clusters comme des variétés différentiables dans l'espace latent appris par un réseau profond. Cette approche capture la géométrie intrinsèque des données pour un clustering plus précis.