disentanglet repræsentationslæring
Disentanglet repræsentationslæring er en metode inden for dyb delæring, hvor en models indre repræsentation opdeles i uafhængige, fortolkbare faktorer, så ændring af én faktor kun påvirker én bestemt egenskab i data.
Kort fortalt
Det er en teknik, der tvinger en AI-model til at lære separate 'knapper' for hver uafhængig egenskab i data, f.eks. farve, form eller størrelse, så man kan kontrollere dem hver for sig.
- Kategori
- begreb
- Niveau
- øvet
Betydninger
1- 1
Læring af en latent repræsentation, hvor hver dimension eller subset af dimensioner koder for en uafhængig, meningsfuld variationsfaktor i data.
- En β-VAE kan opnå disentanglet repræsentationslæring ved at øge vægten på KL-divergensen.
- Disentanglet repræsentationslæring muliggør redigering af specifikke træk i genererede billeder uden at påvirke andre.
Hvornår bruges det
Bruges ofte i generative modeller som variational autoencodere (VAE'er) for at opnå mere fortolkelige og kontrollerbare latente repræsentationer. Anvendes inden for billedgenerering, domæneoverførsel og forklarlig AI.
Oprindelse
Udtrykket 'disentangled' kommer fra engelsk 'disentangle' (frigøre, adskille) og 'representation learning' (repræsentationslæring). Begrebet blev populariseret af Higgins et al. i β-VAE-papiret (2017).