Espace latent

L'espace latent (latent space) est un espace vectoriel de représentation interne appris par un modèle d'apprentissage profond, où chaque point correspond à une version compressée — et non directement observable — des données d'entrée. Cet espace est généralement de dimension plus faible que les données brutes : il ne conserve que les caractéristiques essentielles qui décrivent la structure sous-jacente. Sa propriété clé est sémantique : les données qui se ressemblent y sont positionnées proches les unes des autres. Dans un auto-encodeur, un encodeur compresse l'entrée dans l'espace latent, et un décodeur la reconstruit à partir de cette représentation compacte. Les modèles génératifs l'exploitent : dans un VAE (auto-encodeur variationnel), chaque donnée correspond à une distribution de probabilité, ce qui rend l'espace continu et lisse ; dans un GAN, un vecteur de bruit latent sert de point de départ, et le faire varier transforme continûment l'image générée. L'espace latent est étroitement lié à la notion d'embedding : un embedding est une représentation vectorielle où les distances traduisent des similarités, souvent assimilée à un espace latent. Sa dimension est un choix de conception : plus elle est petite, plus la compression est forte.