Glosario IA
El diccionario completo de la Inteligencia Artificial
Codificador (Encoder)
Parte del autoencoder que transforma los datos de entrada en una representación de dimensión inferior, llamada espacio latente o código, aprendiendo una función de compresión no lineal.
Decodificador (Decoder)
Parte del autoencoder que toma la representación comprimida del espacio latente e intenta reconstruir los datos de entrada originales, aprendiendo así una función de descompresión.
Espacio Latente (Latent Space)
La capa de representación de menor dimensión en un autoencoder, que captura las características más esenciales y comprimidas de los datos de entrada.
Cuello de Botella (Bottleneck)
La capa más estrecha de la arquitectura del autoencoder, situada entre el codificador y el decodificador, que fuerza a la red a aprender una representación concisa de los datos.
Función de Pérdida de Reconstrucción (Reconstruction Loss)
Función objetivo, a menudo el error cuadrático medio (MSE) o la entropía cruzada, que mide la diferencia entre los datos de entrada originales y su reconstrucción por el decodificador.
Autoencoder Simétrico
Arquitectura de autoencoder donde las estructuras del codificador y del decodificador son imágenes especulares una de la otra, con dimensiones de capas correspondientes para la compresión y descompresión.
Subcompletitud (Undercompleteness)
Principio según el cual la dimensión del espacio latente de un autoencoder debe ser inferior a la de los datos de entrada, forzando así a la red a aprender las características más relevantes en lugar de una simple copia.
Pesos Atados (Tied Weights)
Técnica donde las matrices de pesos del decodificador son la transpuesta de las matrices de pesos del codificador, reduciendo el número de parámetros y favoreciendo una reconstrucción simétrica.
Conteo de Unidades (Unit Counting)
Proceso de determinación del número de neuronas en cada capa del autoencoder, donde el número de unidades disminuye progresivamente a través del codificador para alcanzar el cuello de botella.
Reducción de Dimensión No Lineal
Aplicación principal de los autoencoders, que aprenden variedades de datos complejas para proyectar datos de alta dimensión en un espacio de menor dimensión, más allá de métodos lineales como el ACP.
Aprendizaje de Representación (Representation Learning)
Capacidad de los autoencoders para descubrir automáticamente características abstractas y estructuras inherentes a los datos sin etiquetado supervisado.
Autoencoder de Capa Única (Single-Layer Autoencoder)
Forma más simple de autoencoder con una sola capa oculta que sirve como cuello de botella, equivalente a un análisis de componentes principales no lineal.
Autoencoder Profundo (Deep Autoencoder)
Arquitectura de autoencoder con múltiples capas ocultas en el codificador y decodificador, permitiendo aprender jerarquías de características complejas para una mejor compresión.
Ruido de Reconstrucción (Reconstruction Noise)
Artefactos o errores introducidos en los datos reconstruidos por un autoencoder, que pueden ser analizados para comprender los límites de la representación aprendida por el modelo.
Función de Activación del Codificador
Función no lineal (como ReLU, sigmoide o tanh) aplicada en las capas del codificador para permitir el aprendizaje de transformaciones complejas de los datos de entrada.
Función de Activación del Decodificador
Función aplicada en las capas del decodificador, a menudo elegida para coincidir con la distribución de los datos de entrada (por ejemplo, sigmoide para datos normalizados entre 0 y 1).
Sobrecompletitud (Overcompleteness)
Condición donde la dimensión del espacio latente es superior a la de los datos de entrada, requiriendo restricciones adicionales como la regularización para evitar un simple aprendizaje de identidad.
Error de Cuantificación
Parte del error de reconstrucción en un autoencoder que resulta de la compresión de información continua en un espacio latente de dimensión finita.