Glosario IA
El diccionario completo de la Inteligencia Artificial
SVD (Descomposición en Valores Singulares)
Método fundamental que descompone cualquier matriz M en el producto UΣVᵀ donde U y V son ortogonales y Σ es diagonal con los valores singulares. Proporciona la mejor aproximación de rango k en el sentido de mínimos cuadrados y revela la estructura intrínseca de los datos.
Descomposición en Valores Singulares Truncada
Variante de la SVD que conserva solo los k valores singulares más grandes y sus vectores asociados para reducir explícitamente la dimensionalidad. Optimiza el compromiso sesgo-varianza eliminando el ruido mientras preserva los componentes principales de la información.
Descomposición LU
Factorización de una matriz cuadrada en el producto de una matriz triangular inferior L y una matriz triangular superior U. Fundamental para resolver eficientemente sistemas de ecuaciones lineales y calcular determinantes.
Descomposición QR
Descomposición de una matriz en el producto de una matriz ortogonal Q y una matriz triangular superior R. Esencial para resolver problemas de mínimos cuadrados e implementar algoritmos numéricamente estables.
Factorización PARAFAC
Extensión de la factorización de matrices a tensores de orden superior utilizando una descomposición en factores paralelos. Captura las interacciones multidimensionales en datos tensoriales para aplicaciones como el análisis de señales multi-sensor.
Descomposición Tucker
Generalización de la SVD a tensores que descompone un tensor en un núcleo central y matrices factoriales para cada modo. Ofrece una flexibilidad superior al PARAFAC al permitir rangos diferentes para cada dimensión.
Factorización ALS (Mínimos Cuadrados Alternados)
Algoritmo iterativo que optimiza alternativamente cada factor matricial mientras fija los otros. Converge eficientemente hacia soluciones locales y constituye el método de referencia para sistemas de recomendación a gran escala.
Optimización de Rango Bajo
Problema de optimización que busca la mejor aproximación matricial bajo restricción de rango mínimo. Fundamental para la compresión de datos, eliminación de ruido y extracción de estructura en datos de alta dimensión.
Completación de Matriz
Tarea que consiste en imputar los valores faltantes de una matriz asumiendo una estructura de rango bajo subyacente. Aplicaciones clave en sistemas de recomendación y reconstrucción de datos parcialmente observados.
Reconstrucción de Aproximación de Rango k
Teorema de Eckart-Young que garantiza que la truncación SVD proporciona la mejor aproximación de rango k en el sentido de la norma de Frobenius. Fundamenta teóricamente la optimalidad de los métodos de reducción dimensional basados en SVD.
Factorización de Matriz Probabilística
Enfoque bayesiano que trata los factores latentes como variables aleatorias con distribuciones a priori. Permite naturalmente la incorporación de regularización y cuantifica la incertidumbre en las predicciones.
Descomposición SVD Estocástica
Algoritmo aleatorizado que calcula una aproximación SVD utilizando proyecciones aleatorias para reducir la complejidad computacional. Particularmente eficaz para matrices masivas donde la SVD exacta es prohibitivamente costosa.
Factorización por Bloques Diagonales
Descomposición especializada que explota una estructura por bloques para paralelizar el cálculo y reducir la complejidad de memoria. Esencial para el procesamiento distribuido de matrices estructuradas a gran escala.
Descomposición en Componentes Independientes
Factorización que separa una señal multivariada en componentes estadísticamente independientes maximizando la no-gaussianidad. Fundamental para el procesamiento de señales y la separación ciega de fuentes.
Factorización Robusta a Valores Atípicos
Variante de la factorización matricial que resiste observaciones corruptas o anomalías utilizando normas robustas. Crítica para datos reales a menudo contaminados por ruido o errores de medición.