Modèles Génératifs

Un modèle génératif combinant des méthodes autoregressives et basées sur la diffusion pour un apprentissage flexible de la distribution des données.

Beta-VAE est un type d'autoencodeur variationnel qui se concentre sur le désentrelacement des représentations apprises en ajustant un hyperparamètre, beta.

Un autoencodeur variationnel conditionnel (CVAE) est un type de réseau neuronal qui génère des données conditionnées par des étiquettes d'entrée spécifiques.

CycleGAN est un type de réseau neuronal qui permet la traduction d'images en images sans exemples appariés.

Les Modèles Génératifs Profonds sont des systèmes d'IA qui apprennent à créer de nouveaux échantillons de données similaires aux données existantes.

Le score FID mesure la qualité des images générées en les comparant à des images réelles.

Les modèles génératifs basés sur le flux utilisent des transformations inversibles pour générer des données haute dimension à partir de distributions plus simples.

L'effondrement GAN fait référence à un phénomène où un réseau antagoniste génératif ne parvient pas à produire des sorties diversifiées, produisant souvent des résultats similaires.

L'inversion GAN fait référence au processus de cartographie d'images réelles dans l'espace latent d'un réseau antagoniste génératif.

L'espace GAN fait référence à l'espace latent des réseaux antagonistes génératifs, où différents points correspondent à des sorties générées uniques.

Les Réseaux de Flux Génératifs sont des modèles d'IA qui génèrent des données en apprenant des distributions complexes par transformations continues.

La Perte GIFA est une métrique utilisée pour évaluer les modèles génératifs en fonction de leur capacité à produire des échantillons réalistes.

Le modèle Glow est un modèle génératif utilisé pour créer des distributions de données complexes, en particulier dans l'IA et l'apprentissage profond.

Goodfellow GAN est un type de réseau antagoniste génératif qui produit des données réalistes par un entraînement adversarial.

La pénalité de gradient est un terme de régularisation utilisé en apprentissage automatique pour améliorer la stabilité et la performance du modèle.

Une Machine de Helmholtz est un type de modèle génératif qui apprend à représenter les distributions de données.

Le Flux Autoregressif Masqué est une technique de réseau de neurones pour générer des distributions de données complexes en utilisant des modèles autoregressifs.

L'effondrement de mode se produit lorsqu'un modèle génératif produit une diversité limitée dans ses sorties, en se concentrant sur quelques motifs.

PixelCNN est un modèle d'apprentissage profond pour générer des images pixel par pixel en utilisant des réseaux de neurones convolutifs.

RealNVP est un type de modèle d'apprentissage profond utilisé pour des tâches génératives, permettant un échantillonnage efficace des données et une estimation de densité.

Un modèle génératif basé sur le score génère de nouvelles données en apprenant la fonction de score d'une distribution de probabilité.

Stable Diffusion est un modèle d'apprentissage profond pour générer des images à partir de prompts textuels.

Un Variational Autoencoder (VAE) est un type de réseau de neurones qui génère de nouvelles données similaires à un ensemble de données d'entraînement.