Glosario IA
El diccionario completo de la Inteligencia Artificial
Clustering de Consenso
Método que agrega los resultados de múltiples algoritmos de clustering aplicados a diferentes vistas para producir una partición final robusta y estable. El consenso se obtiene combinando las matrices de co-asociación o las etiquetas de clustering de cada vista individual.
Fusión de Vistas
Proceso de integración de información proveniente de múltiples representaciones de datos para crear una vista unificada o enriquecida. La fusión puede realizarse a nivel de características, decisiones o modelos según la estrategia de agregación adoptada.
Aprendizaje de Representación Multivista
Paradigma de aprendizaje automático que busca aprender representaciones latentes compartidas o complementarias a partir de múltiples perspectivas de los datos. Estas representaciones capturan la información esencial mientras eliminan redundancias y ruido específico de cada vista.
Clustering Espectral Multivista
Extensión del clustering espectral a datos multivista que construye una matriz de similitud combinada a partir de todas las vistas antes de aplicar la descomposición espectral. Este método sobresale en el descubrimiento de estructuras no lineales y formas complejas en datos de múltiples representaciones.
Clustering Basado en Restricciones Multivista
Enfoque que integra restricciones de dominio o conocimiento a priori en el proceso de clustering multivista para guiar la formación de clusters. Las restricciones pueden ser de tipo must-link o cannot-link y se propagan entre las diferentes vistas para asegurar la coherencia.
Algoritmo K-modes Multivista
Adaptación del algoritmo K-means para datos categóricos multivista que utiliza la moda como centro del cluster en lugar de la media. Este método optimiza simultáneamente las disimilitudes categóricas a través de todas las vistas para formar clusters coherentes.
Clustering Jerárquico Multivista
Método de clustering que construye una jerarquía de clusters integrando la información de múltiples vistas en cada nivel de agregación. El algoritmo utiliza métricas de distancia combinadas o ponderadas para evaluar la similitud entre clusters a través de las diferentes representaciones.
Matriz de Co-asociación
Matriz cuadrada donde cada elemento indica la frecuencia con la que dos muestras se agrupan juntas en diferentes clusterings de múltiples vistas. Esta matriz sirve de base para los métodos de clustering de consenso y captura la estabilidad de las relaciones entre muestras.
Divergencia de Vistas
Medida que cuantifica los desacuerdos o las diferencias estructurales entre los agrupamientos obtenidos en diferentes vistas de los mismos datos. Una divergencia moderada suele ser beneficiosa porque indica una complementariedad informativa entre las perspectivas.
Complementariedad de Vistas
Principio fundamental en el clustering multi-vista que estipula que diferentes representaciones pueden capturar aspectos distintos y complementarios de la estructura de los datos. Esta complementariedad se explota para mejorar la robustez y la precisión del clustering final.
Pesos de las Vistas
Parámetros que cuantifican la importancia relativa de cada vista en el proceso de clustering multi-vista, a menudo optimizados automáticamente. Estos pesos permiten otorgar más influencia a las vistas más informativas mientras penalizan aquellas que contienen ruido.
Clustering Semi-supervisado Multi-vista
Enfoque híbrido que combina el clustering multi-vista con un número limitado de etiquetas conocidas para guiar el proceso de agrupación. La información supervisada se propaga a través de las vistas para mejorar la coherencia y la relevancia de los clusters formados.
Alineación de Vistas
Proceso de emparejamiento de estructuras o patrones entre diferentes vistas para identificar correspondencias coherentes. La alineación permite revelar relaciones latentes comunes y establecer puentes entre las representaciones heterogéneas.
Clustering por Núcleo Multi-vista
Extensión de los métodos de clustering por núcleo al contexto multi-vista utilizando funciones de núcleo combinadas para mapear los datos en espacios de mayor dimensión. Este enfoque captura eficazmente las relaciones no lineales entre las vistas mientras preserva su complementariedad.
Clustering Basado en Grafos Multi-vista
Método que construye y fusiona varios grafos de similitud, uno para cada vista, antes de aplicar algoritmos de particionamiento de grafos. Este enfoque captura eficazmente las estructuras de vecindad locales y globales a través de las diferentes perspectivas.
Validación Cruzada Multi-vista
Técnica de evaluación robusta para algoritmos de clustering multi-vista que prueba la estabilidad de los resultados en diferentes configuraciones de vistas. Esta validación mide la coherencia interna y la sensibilidad del clustering a las variaciones de las representaciones.