AI 词汇表
人工智能完整词典
Unrolled GAN
Technique où le discriminateur est entraîné en anticipant les mises à jour futures du générateur, en 'déroulant' l'optimisation sur plusieurs pas pour fournir un gradient plus stable et prévenir l'effondrement des modes.
Mode Seeking Loss
Fonction de perte conçue pour pénaliser la similarité entre les échantillons générés à partir de vecteurs latents différents, encourageant explicitement le générateur à explorer et à représenter tous les modes de la distribution des données.
Diversity-Sensitive GAN (DSGAN)
Variante de GAN qui intègre une métrique de diversité directement dans la fonction de perte du générateur, le pénalisant pour la production d'échantillons redondants et l'incitant à couvrir l'ensemble de l'espace des données.
Two Time-Scale Update Rule (TTUR)
Méthode d'optimisation utilisant des taux d'apprentissage différents pour le générateur et le discriminateur, souvent avec un taux plus lent pour le générateur, pour améliorer la convergence et la stabilité, réduisant le mode collapse.
PackGAN
Approche où le discriminateur évalue des 'paquets' d'échantillons générés et réels simultanément, le forçant à considérer les relations entre les échantillons et à encourager le générateur à produire des sorties plus diverses.
Repulsive Regularizer
Régularisateur ajouté à la fonction de perte du générateur qui pénise la proximité des sorties générées dans l'espace des caractéristiques, créant une force de 'répulsion' pour maintenir la diversité et contrer le mode collapse.
Instance Noise
Méthode consistant à ajouter du bruit aléatoire aux entrées du discriminateur (réelles et générées) pour lisser sa fonction de décision, empêchant le générateur de s'engager prématurément dans un nombre limité de modes.
Consensus Regularization
Stratégie où plusieurs discriminateurs ou un ensemble de discriminateurs sont entraînés, et le générateur est régularisé pour produire des sorties qui obtiennent un consensus, ce qui l'empêche de sur-ajuster à un seul discriminateur et de s'effondrer en mode.