Representation Learning

L'apprentissage de représentation est un processus en apprentissage automatique où les algorithmes extraient des motifs significatifs à partir de données brutes pour générer des représentations de données plus compréhensibles et gérables. Ces représentations peuvent être conçues pour être interprétables, révélant des caractéristiques cachées, ou utilisées pour l'apprentissage par transfert, ce qui est d'une grande valeur pour des tâches fondamentales telles que la classification et la recherche d'images. Les réseaux neuronaux profonds, en tant que modèles d'apprentissage de représentation, codent généralement l'information et la projettent dans différents sous-espaces avant de la transmettre à un classifieur linéaire pour l'entraînement. L'apprentissage de représentation peut être catégorisé en apprentissage supervisé de représentation et en apprentissage non supervisé de représentation. Le premier utilise des données étiquetées pour apprendre des représentations qui aident à résoudre d'autres tâches, tandis que le second apprend des représentations à partir de données non étiquetées, réduisant ainsi le besoin de données étiquetées lors de l'abordage de nouvelles tâches. Ces dernières années, l'apprentissage auto-supervisé est devenu une force motrice majeure derrière l'apprentissage non supervisé de représentation, trouvant des applications étendues en vision par ordinateur et en traitement du langage naturel.