VAE1/ Variational Autoencoder (VAE)

[@WahranRai]

19:15 Si on pioche dans la région des 1, on va générer Attila !

[@Facility37]

C'est excellemment bien expliqué, merci beaucoup pour cette vidéo !

[@CNRS-FIDLE]

Merci !

[@paulmagnier7701]

Cette vidéo est absolument géniale !

[@CNRS-FIDLE]

Merci beaucoup !

[@alfredoalarconyanez4896]

Merci, l'explication est très claire !

[@CNRS-FIDLE]

Merci beaucoup ! La séquence VAE en direct est prévue le 10 février :-)

[@imadsaddik]

Merci beaucoup

[@CNRS-FIDLE]

Merci à vous pour votre intérêt !!

[@bouhamedayman8445]

merci beaucoup je trouve que c'est une vidéo trés utile. il manque juste une petit détaille sur la reparametrage dans l'espace latent .

[@CNRS-FIDLE]

Merci beaucoup pour ce retour, nous intègrerons cela dans les versions futures !

[@faycalbaki569]

Bonjour, et merci pour ces explications. Il y a cependant quelque chose que j'ai du mal à comprendre : l'expression de la divergence KL que vous donnez correspond, si je ne me trompe pas, à la divergence entre une loi multivariée diagonale et une loi centrée réduite. Pourquoi donc ? On calcule la divergence entre quelles distributions exactement ?

[@CNRS-FIDLE]

L'utilisation de la divergence KL permet de contrôler la distribution dans l'espace latent, autrement dit de limiter l'éparpillement de la projection dans l'espace latent. L'idée est de mette une contrainte sur les paramètres de la distribution.

[@leleogere]

Pour moi, l'idée est d'essayer de centrer réduire au maximum notre espace latent. De cette manière, en tirant aléatoirement un point suivant une gaussienne centrée réduite, on sera sûr d'obtenir un chiffre existant. Si on laisse trop de poids à la reconstruction, il y a des grands espaces vides dans l'espace latent, et donc si notre point échantillonné tombe dans ces espaces vides, on va obtenir n'importe quoi. L'idée de centrer réduire l'espace latent est d'essayer d'obtenir un espace bien continu et représentant bien les données sans "trou" (et donc facilement echantillonnable).