Référentiel B — capacité IA
Autoencodeurs
Architecture
Réseau de neurones non supervisé composé d'un encodeur qui compresse les données en une représentation latente de dimension réduite, et d'un décodeur qui tente de reconstruire les données d'origine
Capacités clés
- Apprentissage non supervisé de représentations compressées (latentes) des données
- Réduction de dimension non linéaire, complémentaire de l'ACP pour des structures de données complexes
- Détection d'anomalies par mesure de l'erreur de reconstruction (une observation mal reconstruite est potentiellement anormale)
Usages documentés par secteur
IndustrieTRL non déterminable
Détection d'anomalies et de fraude par analyse de l'erreur de reconstruction
- Détection de transactions financières anormales
- Détection de défauts de fabrication à partir d'images ou de signaux capteurs
Sources de cet usage
- 1.Autoencodeur — Wikipédiasecondaire
ScienceTRL non déterminable
Compression et débruitage de données scientifiques à haute dimension
- Débruitage d'images ou de signaux expérimentaux
- Compression de données génomiques ou d'imagerie scientifique
Sources de cet usage
- 1.Autoencodeur — Wikipédiasecondaire
Limites connues
La qualité de la représentation latente apprise dépend fortement de l'architecture et des hyperparamètres choisis, et les autoencodeurs classiques peinent à générer de nouvelles données réalistes par rapport aux modèles génératifs plus récents comme les GAN ou les modèles de diffusion.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Autoencodeur — Wikipédiasecondaire
Analyses de gap citant cette fiche
- Physique des hautes énergies (boson de Higgs) × AutoencodeursRecherche non supervisée de physique nouvelle par détection d'anomalies
Fiche humaine : Physique des hautes énergies (boson de Higgs)
- Économie de la fonctionnalité × AutoencodeursMesure d'usage et maintenance prédictive comme condition du modèle serviciel
Fiche humaine : Économie de la fonctionnalité
- Conseil de stabilité financière (CSF) × AutoencodeursDétection d'anomalies systémiques et transposition nationale des recommandations
Fiche humaine : Conseil de stabilité financière (CSF)
- Sigmund Freud × AutoencodeursReprésentation latente apprise et métaphore psychanalytique de l'inconscient
Fiche humaine : Sigmund Freud
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
- LSTMArchitecture développée par Sepp Hochreiter et Jürgen Schmidhuber (1997)
Données brutes de cette fiche : /api/fiches/autoencodeurs — voir la méthodologie.