modèles génératifs profonds

Los modelos generativos son formas de Inteligencia Artificial (IA) y Aprendizaje Automático (AM ) que utilizan redes neuronales profundas que comprenden la distribución de complejos conjuntos de datos de entrenamiento. Este conocimiento facilita la generación de grandes conjuntos de datos que conocen la probabilidad del siguiente elemento de una secuencia. Las aplicaciones incluyen traitement du language naturel, el procesamiento del habla y la visión por ordenador.

¿Por qué son importantes modèles génératifs profonds ?

modèles génératifs profonds son importantes en los casos en que se necesitan datos generados más verosímiles o auténticos. Dado que estos modelos conocen en profundidad la distribución y probabilidad subyacentes inherentes al jeu de données de entrenamiento, pueden sintetizar conjuntos de datos similares.

¿Cómo funcionan los modelos generativos profundos?

Para crear resultados más auténticos a partir de su modelo generativo, puede utilizar Redes Generativas Adversariales (GAN) para crear un conjunto de datos de entrenamiento sintético que entrene una segunda Red Neuronal competidora. Las instancias de la red neuronal generada se convierten en ejemplos de entrenamiento negativos para el discriminador. Al aprender a distinguir los datos falsos del generador de los datos reales, es posible generar nuevos datos más plausibles y originales.

Ejemplos de algoritmos de aprendizaje profundo

En función de la aplicación de un modelo generativo profundo, son aplicables distintos algoritmos. Entre ellos se incluyen los siguientes.

Autocodificadores variacionales

Los autocodificadores variacionales pueden aprender a reconstruir y generar nuevas muestras a partir de un jeu de données proporcionado. Al utilizar un espacio latente, los autocodificadores variacionales pueden representar los datos de forma continua y suave. Esto permite generar variaciones de los datos de entrada con transiciones suaves.

Redes generativas adversariales

Las redes generativas adversariales (GAN) son modelos generativos que pueden crear nuevas instancias de datos similares, pero no iguales, a los conjuntos de datos de entrenamiento. Las GAN son excelentes para crear imágenes, pero no tan sofisticadas como los modelos de difusión.

Modelos autorregresivos

Un modelo autorregresivo es un modelo estadístico utilizado para comprender y predecir los valores futuros de una serie temporal a partir de los valores pasados.

Normalización de modelos de flujo

Normalizar flujos es un método para construir distribuciones complejas transformando una densidad de probabilidad a través de una serie de mapeos invertibles. Aplicando repetidamente la regla de cambio de variables, la densidad inicial "fluye" a través de la secuencia de mapeos invertibles.

Modelos basados en la energía

Un modèle basé sur l'énergie est un modèle générateur utilisé généralement dans la physique statistique. Tras aprender la distribution des données de un conjunto de datos de entrenamiento, el modelo generativo puede producir otros conjuntos de datos que coincidan con las distribuciones de datos.

Modelos basados en la puntuación

Los modelos generativos basados en puntuaciones estiman las puntuaciones a partir de los datos de entrenamiento, lo que permite al modelo navegar por el espacio de datos según la distribución aprendida y generar nuevos datos similares.

Aplicaciones de modèles génératifs profonds

A continuación se exponen algunos casos de aplicación de modèles génératifs profonds en el mundo real:

• Los sistemasvéhicule autonome utilizan datos procedentes de sensores visuales y Lidar alimentados a una red neuronal que predice el comportamiento futuro para realizar correcciones proactivas del rumbo miles de veces por segundo.
• détection des fraudes compara el comportamiento histórico con las transacciones actuales para detectar anomalías y actuar en consecuencia.
• Los asistentes virtuales aprenden los gustos musicales de una persona, sus horarios, su historial de compras y cualquier otra información a la que tengan acceso para hacer recomendaciones. Por ejemplo, puede ofrecer horarios de desplazamiento a casa o lugares de trabajo.
• Los sistemas de entretenimiento pueden recomendar películas basándose en anteriores visionados de contenidos similares.
• Un smartwatch puede advertir de posibles problemas médicos, sobreesfuerzo y falta de sueño para supervisar el bienestar del propietario.
• Las imágenes tomadas con una cámara digital o escaneadas pueden mejorarse aumentando la nitidez, equilibrando los colores y sugiriendo recortes.
• Los subtítulos pueden generarse automáticamente para películas o vídeos de reuniones para mejorar la reproducción.
• Se puede aprender el estilo de escritura y generar un nuevo texto con el mismo estilo.
• Los vídeos subtitulados pueden tener subtítulos generados en varios idiomas.
• Las fototecas pueden etiquetarse con descripciones para facilitar la búsqueda de otras similares o duplicadas.

La plataforma de datos Actian

Actian Data Platform proporciona una experiencia unificada para la ingesta, transformación, análisis y almacenamiento de datos. Actian Data Platform proporciona un rendimiento de consulta ultrarrápido, incluso para cargas de trabajo complejas, sin necesidad de ajuste mediante procesamiento vectorial.