Glossary

0-9

2-stage detector 9-layer network 5G + AI 0-shot learning 6DoF pose estimation 3D convolution 8-bit quantization 7D representation 1-shot learning 4D data

A

Algorithm Autoencoder AGI / Artificial General Intelligence Attention Artificial Intelligence (AI)

B

BERT Batch Normalization Backpropagation Bias Boosting

C

Chatbot Classifier / Classification CNN / Convolutional Neural Network Cross-Validation Clustering

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

Foundation Model Feature Extraction Fusion / Multimodal Fusion Forward Propagation Fine-tuning

G

GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding Graph Neural Network (GNN)

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

Representation Learning Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

Variational Autoencoder (VAE)Vector Embedding Validation Set Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

X-axis / feature axis XOR problem XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zygosity in augmentation Zero-gradient phenomenon

Qu'est-ce qu'un Autoencodeur Variationnel (VAE)

L'Autoencodeur Variationnel (Variational Autoencoder, VAE) est un modèle génératif qui appartient au domaine de l'apprentissage non supervisé. Son idée centrale est d'introduire l'inférence variationnelle dans la structure de l'autoencodeur, ce qui lui permet d'apprendre la représentation latente des données et de générer de nouveaux échantillons.

L'importance du VAE réside dans son application dans des tâches telles que la génération d'images, l'augmentation de données et l'imputation de données manquantes. Il fonctionne en encodant les données d'entrée dans une distribution dans l'espace latent, plutôt que dans un point unique, capturant ainsi mieux la diversité des données.

Une application typique du VAE peut être observée dans la génération d'images, de musique et de divers types de textes. À mesure que les modèles génératifs continuent d'évoluer, le VAE devrait jouer un rôle plus important dans des domaines tels que la création artistique, la réalité virtuelle et la simulation de données. Cependant, le VAE a aussi ses limites, par exemple, la qualité des échantillons générés peut ne pas correspondre à celle des réseaux génératifs adversariaux (GAN).

Lors de l'utilisation du VAE, les chercheurs et les développeurs doivent être attentifs à la sélection des paramètres du modèle, à la dimensionnalité de l'espace latent et aux problèmes de convergence pendant l'entraînement. Avec un design et un réglage appropriés, le VAE peut fournir un soutien puissant pour de nombreuses applications.