Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje autosupervisado de grafos
Paradigma de aprendizaje donde los modelos de grafos aprenden representaciones sin etiquetas explícitas generando automáticamente tareas de supervisión a partir de la estructura del propio grafo.
Aprendizaje contrastivo de grafos
Enfoque de aprendizaje autosupervisado que aprende representaciones de grafos maximizando el acuerdo entre diferentes vistas aumentadas del mismo nodo o grafo, al tiempo que minimiza el acuerdo entre instancias diferentes.
Enmascaramiento de grafos
Tarea proxy que consiste en ocultar aleatoriamente nodos, aristas o atributos en un grafo y entrenar al modelo para reconstruir los elementos faltantes, forzando así el aprendizaje de representaciones robustas.
Aumentación de grafos
Técnica de creación de vistas alternativas de un grafo mediante transformaciones estructurales o de atributos que preservan la semántica, utilizada para generar pares positivos en el aprendizaje contrastivo.
Aprendizaje de representaciones de nodos
Proceso de aprendizaje de vectores densos (embeddings) que capturan las características estructurales y semánticas de los nodos en un espacio vectorial de baja dimensión.
Aprendizaje de representaciones de aristas
Aprendizaje de embeddings para las aristas del grafo que codifican las relaciones e interacciones entre los nodos, crucial para la predicción de enlaces y la clasificación de aristas.
Tareas pretexto de grafos
Tareas construidas artificialmente a partir de la propia estructura del grafo, que sirven como señal de entrenamiento para el aprendizaje autosupervisado antes de la transferencia a tareas posteriores.
Predicción del contexto de grafos
Tarea autosupervisada que consiste en predecir el contexto estructural de un nodo (como sus vecinos a k saltos) o las propiedades globales del grafo a partir de representaciones locales.
Clustering de grafos
Tarea proxy no supervizada utilizada para el aprendizaje de representaciones donde los nodos se agrupan en clústeres basados en su similitud estructural o atributiva en el espacio de embeddings.
Mecanismos de atención en grafos
Mecanismos que calculan dinámicamente pesos de atención para los vecinos durante la agregación de información, permitiendo al modelo centrarse en las partes más relevantes del vecindario.
Autoencoders de grafos
Modelos de codificación-decodificación que aprenden representaciones comprimidas de grafos reconstruyendo la estructura o los atributos del grafo original, a menudo utilizados para el aprendizaje autosupervisado.
Paso de mensajes en grafos
Paradigma fundamental donde los nodos intercambian y agregan información con sus vecinos a través de varias iteraciones, permitiendo la propagación de información a través de la estructura del grafo.