Glosario IA
El diccionario completo de la Inteligencia Artificial
Factorización de Matrices No Negativas
Algoritmo de descomposición matricial que factoriza una matriz V en dos matrices no negativas W y H tales que V ≈ WH. Esta restricción de no negatividad permite una interpretación aditiva de los componentes, haciendo que los resultados sean más fácilmente interpretables.
Matriz base
Matriz W en la descomposición NMF (V ≈ WH) que contiene los vectores base o prototipos que representan las características fundamentales extraídas de los datos originales. Cada columna de esta matriz captura un patrón o característica latente presente en los datos.
Matriz de coeficientes
Matriz H en la descomposición NMF (V ≈ WH) que contiene los pesos o coeficientes de activación que indican cómo cada característica base contribuye a reconstruir los datos originales. Estos coeficientes permiten representar cada muestra como una combinación aditiva de las características base.
Algoritmo de Actualización Multiplicativa
Algoritmo de optimización iterativo específico para NMF que actualiza las matrices W y H utilizando reglas de actualización multiplicativas garantizando la no negatividad. Este algoritmo minimiza alternativamente las matrices W y H manteniendo sus elementos no negativos.
Costo de reconstrucción
Medida cuantitativa del error entre la matriz original V y su factorización WH, generalmente calculada como la distancia de Frobenius o la divergencia KL. Esta métrica guía el proceso de optimización y evalúa la calidad de la descomposición obtenida.
Características latentes
Componentes subyacentes no observados descubiertos por NMF a partir de los datos brutos, representando patrones o estructuras intrínsecas. Estas características emergen naturalmente de la descomposición y revelan relaciones ocultas en los datos.
Dispersión
Propiedad deseable en NMF donde la mayoría de los elementos de las matrices W o H son ceros o cercanos a cero, favoreciendo representaciones más interpretables. La restricción de dispersión ayuda a aislar las características más relevantes y reducir la redundancia.
NMF Ortogonal
Variante de NMF que impone una restricción de ortogonalidad sobre la matriz de coeficientes H, favoreciendo una partición clara de los datos en clústeres distintos. Este enfoque mejora la separación de características y facilita la interpretación de los resultados en tareas de clustering.
NMF Disperso
Extensión de NMF que incorpora restricciones de dispersión adicionales en las matrices W o H para obtener representaciones más esparcidas. Este método es particularmente efectivo para la selección de características y la identificación de los componentes más significativos.
NMF Convexo
Variante de NMF donde los vectores base están restringidos a ser combinaciones convexas de las muestras originales, mejorando la interpretabilidad de los resultados. Este enfoque garantiza que cada característica descubierta puede expresarse como un promedio ponderado de los datos de entrada.
Iteraciones alternas
Estrategia de optimización en NMF donde las matrices W y H se actualizan alternativamente, una siendo fija mientras la otra se optimiza. Este enfoque garantiza la convergencia hacia una solución localmente óptima manteniendo las restricciones de no negatividad.
Convergencia local
Propiedad de los algoritmos NMF que convergen hacia un óptimo local en lugar de global debido a la no convexidad del problema. La calidad de la solución final depende a menudo de la inicialización y puede requerir múltiples ejecuciones para encontrar la mejor descomposición.
Inicialización aleatoria
Método común para iniciar el algoritmo NMF inicializando aleatoriamente las matrices W y H con valores no negativos. La inicialización influye significativamente en la convergencia y la calidad de la solución final obtenida después de la optimización.
NMF para clasificación
Aplicación de NMF como técnica de reducción de dimensionalidad donde los coeficientes de la matriz H se utilizan como características para los algoritmos de clasificación. Este enfoque mejora a menudo el rendimiento de clasificación proporcionando representaciones más discriminativas.
NMF para agrupamiento
Uso de NMF para descubrir una estructura de agrupamiento natural en los datos interpretando los coeficientes de la matriz H como pertenencias a los clústeres. Cada muestra se asigna al clúster correspondiente al coeficiente máximo en su representación.
NMF probabilístico
Marco probabilístico para NMF que modela los datos con distribuciones estadísticas como la Poisson o la Gaussiana, ofreciendo una interpretación bayesiana de la factorización. Este enfoque permite integrar conocimientos a priori y cuantificar la incertidumbre de las estimaciones.
NMF regularizada
Extensión de NMF que incorpora términos de regularización en la función objetivo para controlar la complejidad del modelo y evitar el sobreaprendizaje. La regularización puede imponer restricciones de dispersión, suavizado u otras propiedades deseables sobre las matrices factorizadas.