Glosario IA
El diccionario completo de la Inteligencia Artificial
Domain Shift
Cambio en la distribución de datos entre el dominio de entrenamiento (fuente) y el dominio de prueba (objetivo), que requiere técnicas de adaptación específicas.
Covariate Shift
Tipo específico de desplazamiento de dominio donde la distribución de las características de entrada cambia entre los dominios fuente y objetivo, pero la distribución condicional P(y|x) permanece inalterada.
Domain Discrepancy
Medida cuantitativa de la diferencia entre las distribuciones de datos del dominio fuente y del dominio objetivo, a menudo utilizada para evaluar la dificultad de la adaptación.
Feature Alignment
Proceso de alineación de las representaciones de características entre los dominios fuente y objetivo para reducir las diferencias distribucionales y mejorar la transferencia de conocimientos.
Adversarial Domain Adaptation
Enfoque que utiliza redes adversariales para aprender representaciones invariantes al dominio, minimizando la capacidad de un discriminador para distinguir entre los dominios fuente y objetivo.
Maximum Mean Discrepancy
Métrica estadística que mide la distancia entre las distribuciones de dos dominios comparando las medias en un espacio de características con núcleo RKHS.
Domain Invariant Features
Representaciones características que se mantienen estables y discriminantes a través de diferentes dominios, permitiendo una generalización eficaz del modelo.
Unsupervised Domain Adaptation
Adaptación de dominio donde no hay etiquetas disponibles en el dominio objetivo, lo que requiere métodos auto-supervisados o basados en la estructura de los datos.
Supervised Domain Adaptation
Adaptación de dominio supervisada que utiliza un conjunto limitado de etiquetas en el dominio de destino para guiar el proceso de alineación y mejorar el rendimiento del modelo.
Domain Generalization
Extensión de la adaptación de dominio que busca crear modelos que funcionen bien en dominios nunca vistos durante el entrenamiento, sin acceso a los datos de destino.
Multi-source Domain Adaptation
Adaptación que utiliza múltiples dominios fuente para mejorar la robustez y la capacidad de generalización hacia un único dominio de destino.
Domain Confusion Loss
Función de pérdida diseñada para maximizar la incertidumbre de un clasificador de dominio, fomentando así el aprendizaje de características invariantes al dominio.
Distribution Matching
Técnica que busca minimizar la divergencia entre las distribuciones de datos fuente y de destino mediante alineación estadística o transformación de características.
Target Domain Sampling
Estrategia de selección de muestras representativas del dominio de destino para optimizar la eficiencia de la adaptación y reducir los requisitos computacionales.
Domain-aware Training
Paradigma de entrenamiento que integra explícitamente la información del dominio en el proceso de aprendizaje para mejorar la adaptabilidad del modelo.
Progressive Domain Adaptation
Método de adaptación secuencial donde el modelo se ajusta progresivamente a través de etapas intermedias de dominios para facilitar la transición.
Domain-specific Batch Normalization
Técnica de normalización que utiliza estadísticas distintas para cada dominio, permitiendo que el modelo se adapte a las variaciones de distribución.