قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التجميع المشترك متعدد الرؤى
طريقة تقوم بالتجميع المتزامن للحالات والميزات عبر وجهات نظر متعددة لاكتشاف هياكل كامنة مشتركة. وهي تحسن بشكل مشترك مصفوفات التقسيم لكل رؤية مع الحفاظ على الاتساق بين الرؤى.
التجميع الطيفي متعدد الرؤى
امتداد للتجميع الطيفي الذي يجمع الرسوم البيانية اللا بلاسية لعدة رؤى لالتقاط بنية التنوع (manifold) للبيانات متعددة التمثيلات. يدمج هذا النهج المساحات الطيفية قبل تطبيق خوارزمية K-means على المتجهات الذاتية المدمجة.
التجميع متعدد الرؤى باستخدام تحليل المصفوفات غير السلبية (NMF)
تقنية تعتمد على تحليل المصفوفات غير السلبية (NMF) التي تفكك بشكل مشترك مصفوفات البيانات متعددة الرؤى لمشاركة أساس مشترك من العوامل. تضمن هذه الطريقة الاتساق بين الرؤى مع الحفاظ على خصوصيات كل تمثيل.
التجميع القائم على التمثيل
نهج يتعلم تمثيلاً مشتركًا ومضغوطًا من رؤى متعددة قبل إجراء التجميع في هذا الفضاء المشترك. تستخدم تقنيات التشفير التلقائي (auto-encoders) أو الإسقاط لمواءمة وجهات النظر المختلفة.
التجميع متعدد النوى
طريقة تجمع عدة نوى (نواة واحدة لكل رؤية) لبناء نواة موحدة تلتقط أوجه التشابه متعددة المنظور للبيانات. يسمح تحسين أوزان كل نواة بتكييف الأهمية النسبية للرؤى.
التجميع القائم على الرسم البياني متعدد الرؤى
تقنية تبني وتدمج عدة رسوم بيانية للتشابه (واحد لكل رؤية) لاكتشاف بنية مجتمعية مشتركة. تستغل نظرية الرسوم البيانية وطرق القطع لتحسين الاتساق بين الرؤى.
التجميع باستخدام تحليل الارتباط الكنسي (CCA)
نهج يعتمد على تحليل الارتباط الكنسي (CCA) الذي يسقط الرؤى في فضاء مشترك يزيد من الارتباط بين الرؤى قبل التجميع. وهو فعال بشكل خاص للرؤى عالية الأبعاد ذات الهياكل الخطية.
التجميع الهرمي متعدد الرؤى
امتداد للتجميع الهرمي الذي يدمج معلومات من رؤى متعددة في كل خطوة من خطوات دمج أو تقسيم المجموعات. يبني مخططًا شجريًا (dendrogram) يعتمد على مسافات متعددة الرؤى مرجحة أو توافقية.
التجميع شبه المُشرف متعدد العروض
طريقة تجمع المعلومات غير المُصنفة من عروض متعددة مع قيود أو معرفة مسبقة لتوجيه عملية التجميع. تستغل الروابط الإلزامية/المحظورة أو التسميات الجزئية لتحسين جودة التقسيم.
التجميع بالتباعد متعدد العروض
تقنية تقلل التباعد بين توزيعات المجموعات في العروض المختلفة لضمان الاتساق بين المنظورات. تستخدم مقاييس مثل تباعد كولباك-لايبلر (KL-divergence) أو تباعد جنسن-شانون (JS-divergence) لتحديد مدى توافق الهياكل.
تجميع محاذاة المتشعبات
طريقة تحاذي هياكل المتشعبات من عروض مختلفة في فضاء مشترك قبل إجراء التجميع. تحافظ على الهندسة المحلية داخل العرض مع إنشاء تطابقات متسقة بين العروض.
التجميع بالتشابه بين العروض
تقنية تستغل مباشرة مصفوفات التشابه بين العروض لتوجيه عملية التجميع. تعزز المجموعات التي تظهر أنماطًا متسقة عبر المنظورات المختلفة للبيانات.
التجميع الموزون متعدد العروض
نهج يتعلم تلقائيًا الأوزان المثلى لكل عرض في عملية التجميع. يقوم بتكييف أهمية العروض ديناميكيًا بناءً على جودتها ومدى صلتها بهيكل المجموعات.
التجميع الجزئي متعدد العروض
طريقة قوية قادرة على التعامل مع البيانات التي تكون فيها بعض الحالات مفقودة في بعض العروض. تستخدم تقنيات الاستكمال أو التعلم غير المكتمل للاستفادة بفعالية من المعلومات المتاحة.
التجميع بالدمج المتأخر
استراتيجية تقوم بإجراء التجميع بشكل مستقل على كل عرض ثم تدمج النتائج بالتوافق. هذا النهج مرن ويسمح بدمج خوارزميات تجميع مختلفة تتناسب مع كل عرض محدد.