المصنف التوليدي
المصنف التوليدي (Generative Classifier) هو نموذج تعلم آلي متقدم يدمج قدرات النماذج التوليدية (التي تنشئ مثيلات بيانات جديدة) مع خوارزميات التصنيف التقليدية (التي تُسند تسميات للبيانات الموجودة). على عكس المصنفات التمييزية القياسية التي تتعلم فقط الحد الفاصل بين الفئات، يتعلم المصنف التوليدي التوزيع الأساسي للبيانات ضمن كل فئة، مما يسمح له بالتصنيف وفي بعض الهياكل، بتوليد أمثلة اصطناعية تمثل تلك الفئة.
يعالج هذا النهج الهجين القيود الموجودة في النماذج التمييزية البحتة. من خلال فهم عملية توليد البيانات، تقدم هذه النماذج رؤى أعمق حول البيانات نفسها، وليس فقط عن تسمياتها. وهذا أمر بالغ الأهمية للمهام التي تتطلب دقة عالية في كل من التنبؤ وتضخيم البيانات، مثل اكتشاف الحالات الشاذة أو المحاكاة المعقدة.
بشكل عام، يتم تدريب النموذج لربط بيانات الإدخال بتوزيع احتمالي لكل فئة. تتعلم المكونات التوليدية (مثل المُشفِّرات التلقائية التباينية أو شبكات الخصومة التوليدية المُكيَّفة للتصنيف) التمثيل الفراغي الكامن (latent space representation) للإدخال. ثم تستخدم طبقة التصنيف هذا التوزيع المُتعلَّم لتحديد العضوية الأكثر احتمالاً في الفئة. يسمح الجانب التوليدي للنموذج بأخذ عينات من هذه التوزيعات المُتعلَّمة، مما يؤدي بفعالية إلى إنشاء نقاط بيانات اصطناعية، ولكنها دقيقة من حيث الفئة.
النماذج التمييزية، المُشفِّرات التلقائية التباينية (VAEs)، شبكات الخصومة التوليدية (GANs)، نمذجة الفضاء الكامن (Latent Space Modeling).
