Algorithme génératif : définition et application en deep learning

L'algorithme génératif est un ensemble de valeurs finies pour concevoir une image ou toute autre représentation numérique. Dans le domaine de l'intelligence artificielle, il existe plusieurs champs d'utilisation, notamment pour les GAN (Generative Adversarial Networks) ou les autoencodeurs.

Qu’est-ce qu’un algorithme génératif ?

Comme sa dénomination l’indique, l’algorithme génératif reproduit ou modélise un élément à partir de données spécifiques. Sur la base de l’apprentissage non supervisé, cette catégorie d’algorithmes use alors d’un réseau de neurones artificiels. L’idée est de traiter automatiquement un texte, un son ou une image en vue de générer une imitation ou créer un modèle.

Les champs d’application sont nombreux. L’algorithme génératif peut servir à l’émergence de courants artistiques. En pharmacologie et chimie, les chercheurs seraient en mesure de découvrir de nouvelles structures moléculaires. Il constitue également un enjeu clé dans le domaine de la bio-informatique et des neurosciences. A terme, l’algorithme génératif permet une meilleure compréhension des données et des cas d’études observés.

Un modèle profond génératif, c’est quoi ?

Egalement appelé Deep Generative Model, le modèle profond génératif emploie le principe de l’apprentissage automatique pour créer des valeurs ou des exemples. Sur la base de méthodes probabilistes, il utilise des données d’entraînement. Celles-ci lui servent de support de références pour réaliser les calculs en question. Ce principe initial reste similaire au fonctionnement d’un modèle génératif classique.

Toutefois, le modèle profond génératif est capable de mener ce travail avec des performances identiques, mais en disposant de données de distribution partielles, voire inexistantes. Dans le cadre d’un décodeur d’autoencodeur (AE), le modèle ne connaît que la partie concernée, soit le code aléatoire qui permet de reconstituer les données. Il ignore les données de base nécessaires au travail d’encodage. Pour un résultat plausible, il faut alors effectuer une VAE (Variational Auto-Encoder) pour forcer la distribution de données.

Quid de l’apprentissage adverse, et des réseaux antagonistes génératifs ou Generative Adversarial Network (GAN) ?

Les réseaux antagonistes génératifs ou generative adversarial networks (GAN) sont les principaux bénéficiaires de l’algorithme génératif. Ils usent des précédents principes évoqués, comme le modèle génératif ou l’apprentissage non supervisé. A partir de la théorie des jeux, ils confrontent deux réseaux ; l’un est générateur, tandis que le second est discriminateur.

Cela permet de déterminer et d’optimiser le niveau de réalisme du travail de conception. Le GAN résout donc des problèmes de numérisation ou de représentation d’images. Quant à l’apprentissage adverse, il sert essentiellement à la modélisation d’images sur la base d’exemples réels. Le principe s’applique pour les modèles génératifs profonds, ainsi que les opérations de morphing qui nécessitent l’exploitation d’un autoencodeur (AE).

Dictionnaire de l'intelligence artificielle