Functional Generative Networks
Une manière de produire des prévisions variées mais physiquement cohérentes, en injectant l'aléa dans le réseau plutôt que dans la sortie.
Quand on veut qu’un modèle montre plusieurs futurs possibles et pas un seul, il faut injecter de l’aléatoire quelque part. L’approche habituelle, celle des modèles de diffusion, saupoudre du bruit sur la sortie elle-même puis le nettoie au fil de nombreuses passes. Cela fonctionne, mais c’est lent, et les variantes obtenues ressemblent parfois à des copies bruitées d’une même réponse.
Les Functional Generative Networks placent l’aléa dans les couches de contrôle du réseau. Le résultat est une passe unique qui produit des scénarios réellement différents, respectant chacun les règles apprises par le modèle: un jeu de prévisions météo sort donc sous la forme de plusieurs tempêtes plausibles plutôt que d’une seule, floue. Google DeepMind a utilisé la méthode dans WeatherNext Cyclones, où elle tourne environ huit fois plus vite que l’approche par diffusion qu’elle remplace.