Glosario IA
El diccionario completo de la Inteligencia Artificial
Autoencoder Variacional Jerárquico (HVAE)
Arquitectura VAE extendida con múltiples niveles de variables latentes organizadas jerárquicamente para capturar representaciones multiescala. Permite un modelado más fino de estructuras complejas a través de dependencias condicionales entre niveles.
Variables Latentes Jerárquicas
Conjunto de variables latentes organizadas en capas donde cada nivel captura diferentes abstracciones del contenido. Los niveles superiores modelan las estructuras globales mientras que los niveles inferiores capturan los detalles finos.
Red de Inferencia Ascendente (Bottom-up)
Red de inferencia que procesa los datos de entrada de abajo hacia arriba a través de las capas jerárquicas del VAE. Cada nivel calcula los parámetros de distribución para las variables latentes correspondientes utilizando la información de los niveles inferiores.
Red Generativa Descendente (Top-down)
Red generativa que muestrea las variables latentes de los niveles superiores hacia los inferiores para reconstruir los datos. Implementa una generación condicional donde cada nivel depende de las muestras de los niveles superiores.
Ladder VAE
Variante específica de HVAE con conexiones laterales entre los niveles de inferencia y generación. Utiliza pases ascendentes y descendentes combinados para mejorar la estimación posterior y la calidad de reconstrucción.
Profundidad Estocástica
Técnica de regularización donde algunas conexiones jerárquicas se desactivan aleatoriamente durante el entrenamiento. Mejora la generalización al forzar a la red a aprender representaciones robustas en diferentes niveles de abstracción.
ELBO Jerárquico
Cota inferior de la evidencia adaptada a estructuras jerárquicas con términos de divergencia KL para cada nivel latente. Incluye términos de reconstrucción ponderados según la jerarquía de las variables latentes.
Colapso Posterior
Fenómeno donde la red de inferencia ignora las variables latentes y produce una posterior degenerada igual a la priori. Particularmente problemático en los HVAE con muchos niveles jerárquicos.
Inferencia Amortizada Multinivel
Estrategia de optimización donde una única red neuronal se comparte para estimar los parámetros posteriores en todos los niveles jerárquicos. Reduce la complejidad computacional manteniendo la capacidad expresiva.
Variables Latentes Globales y Locales
Distinción en los HVAE entre variables que capturan propiedades globales (estilo, categoría) y variables locales (detalles específicos). Las variables globales residen típicamente en los niveles superiores de la jerarquía.
Annealing de Divergencia KL
Técnica de entrenamiento donde el peso de los términos de divergencia KL se aumenta progresivamente. Esencial en los HVAE para evitar el colapso posterior y permitir un aprendizaje equilibrado entre reconstrucción y regularización.
Conexiones de Salto Jerárquicas
Conexiones directas entre niveles no adyacentes de la jerarquía para preservar el gradiente y mejorar la estabilidad. Facilitan el flujo de información entre representaciones finas y abstractas.
Truco de Reparametrización Multiescala
Extensión del truco de reparametrización estándar a arquitecturas jerárquicas con muestreo en múltiples niveles. Requiere una gestión coordinada de los gradientes a través de toda la cadena estocástica.
Posterior Factorizada
Aproximación posterior donde las variables latentes en cada nivel son condicionalmente independientes dadas las de los niveles inferiores. Simplifica la inferencia permitiendo dependencias jerárquicas complejas.
Conexiones Densas Jerárquicas
Arquitectura donde cada nivel de la jerarquía recibe como entrada las concatenaciones de todos los niveles precedentes. Maximiza el flujo de información y facilita el aprendizaje de representaciones ricas.