Glosario IA
El diccionario completo de la Inteligencia Artificial
Clustering Espectral
Técnica de clustering no supervizado que utiliza los valores propios de una matriz de similitud para realizar una reducción de dimensionalidad antes del clustering. Este método es particularmente efectivo para identificar estructuras no convexas en datos complejos.
Matriz de Similitud
Matriz cuadrada simétrica donde cada elemento S[i,j] representa el grado de similitud entre los puntos de datos i y j. Constituye la base del clustering espectral codificando las relaciones locales entre las observaciones.
Matriz de Laplace
Operador diferencial discreto definido como L = D - W, donde D es la matriz de grados y W la matriz de ponderación del grafo. Esta matriz captura la estructura geométrica de los datos y sus vectores propios revelan los clusters naturales.
Grafo de Similitud
Representación gráfica donde los nodos corresponden a los puntos de datos y las aristas ponderan su similitud. Esta estructura permite aplicar teorías de la teoría de grafos para descubrir agrupamientos naturales en los datos.
K-means Espectral
Combinación del clustering espectral con el algoritmo K-means aplicado en el espacio de vectores propios. Este enfoque aprovecha la reducción dimensional del clustering espectral y la simplicidad de implementación de K-means.
Espacio Propio
Subespacio vectorial generado por los vectores propios asociados a un valor propio dado. En el clustering espectral, el espacio propio de los valores propios más pequeños no nulos constituye una nueva representación de los datos que facilita el clustering.
Matriz de Adyacencia
Matriz cuadrada donde A[i,j] = 1 si una arista conecta los vértices i y j en el grafo, sino 0. Representa la estructura de conectividad del grafo de similitud utilizado en el clustering espectral.
Matriz de Grados
Matriz diagonal donde cada elemento diagonal D[i,i] representa la suma de los pesos de las aristas incidentes al vértice i. Esta matriz es esencial para construir la matriz de Laplace y normalizar el grafo de similitud.
Normalización Espectral
Técnica de normalización de la matriz de Laplace para estabilizar los cálculos numéricos y mejorar la calidad del clustering. La normalización simétrica L_sym = I - D^(-1/2)WD^(-1/2) es comúnmente utilizada.
Segmentación Espectral
Aplicación del clustering espectral al particionamiento de imágenes o volúmenes en regiones coherentes. Este método explota las similitudes espectrales entre píxeles para detectar fronteras naturales en los datos visuales.
Coeficiente de Agrupamiento
Medida que cuantifica la densidad local de conexiones alrededor de un nodo en el grafo. Este coeficiente influye en la construcción de la matriz de similitud y puede afectar la calidad de los clusters identificados por el clustering espectral.
Grafo K-vecinos Más Cercanos
Tipo de grafo de similitud donde cada nodo está conectado a sus k vecinos más cercanos según una métrica dada. Este enfoque reduce la densidad del grafo mientras preserva la estructura local esencial para el clustering.
Núcleo Gaussiano
Función de similitud K(x,y) = exp(-||x-y||²/2σ²) utilizada para calcular los pesos en la matriz de similitud. El parámetro σ controla la escala de similitud e influye en la conectividad del grafo.
Matriz Laplaciana Normalizada
Variante de la matriz de Laplace normalizada para obtener valores propios en el intervalo [0,2]. La forma simétrica L_rw = I - D^(-1)W es particularmente adecuada para el clustering de datos de tamaños variables.
Descomposición en Valores Propios
Proceso matemático que consiste en encontrar los valores propios y vectores propios de una matriz. En el clustering espectral, este paso crucial transforma el problema de clustering en un problema de particionamiento en un espacio de dimensión reducida.
Particionamiento de Grafo
Problema fundamental que consiste en dividir los vértices de un grafo en conjuntos disjuntos minimizando las conexiones entre conjuntos. El clustering espectral resuelve este problema utilizando los vectores propios de la matriz de Laplace.