Glosario IA
El diccionario completo de la Inteligencia Artificial
Factorización de Matrices en Línea (OMF)
Conjunto de técnicas que descomponen una matriz en factores de rango inferior de manera secuencial, actualizando los factores a medida que llegan nuevos datos, sin necesidad de reentrenamiento completo.
Descenso de Gradiente Estocástico (SGD) para OMF
Algoritmo de optimización iterativo que actualiza los factores matriciales utilizando el gradiente de la función de pérdida calculado sobre una sola muestra (o un mini-lote) a la vez, ideal para flujos de datos.
SVD Incremental
Variante de la Descomposición en Valores Singulares que actualiza los vectores singulares y los valores singulares existentes para incorporar nuevas columnas o filas de datos sin recalcular desde el principio.
Seguimiento de Subespacio por Proyección Aproximada (PAST)
Algoritmo recursivo que sigue el subespacio generado por los vectores propios dominantes de una matriz de covarianza en tiempo real, minimizando una función de coste de mínimos cuadrados.
Olvido Exponencial
Mecanismo que otorga más peso a las observaciones recientes que a las antiguas en el proceso de actualización, permitiendo al modelo adaptarse a cambios en la distribución de datos (concept drift).
Sistemas de Recomendación en Streaming
Sistemas de recomendación que utilizan la factorización de matrices en línea para actualizar continuamente los perfiles de usuarios e ítems a partir de nuevas interacciones, asegurando sugerencias relevantes en tiempo real.
Método de Mínimos Cuadrados Recursivos (RLS)
Algoritmo de adaptación que minimiza una función de coste de mínimos cuadrados ponderada de manera recursiva, ofreciendo convergencia rápida a cambio de una complejidad computacional mayor que el SGD.
Actualización por Bloques
Estrategia donde los factores matriciales no se actualizan para cada nuevo dato, sino después de acumular un bloque de observaciones, ofreciendo un compromiso entre reactividad y eficiencia computacional.
Factorización de Matrices No Negativas (NMF) en línea
Variante de la factorización de matrices en línea que impone restricciones de no negatividad en los factores, produciendo descomposiciones aditivas e interpretables, utilizada frecuentemente para análisis de textos o imágenes.
Función de Pérdida en Línea
Medida de error calculada sobre las nuevas observaciones para guiar la actualización de los factores, típicamente el error cuadrático medio o una divergencia (ej: divergencia KL para datos de conteo).
Robustez ante Datos Atípicos
Capacidad de un algoritmo de factorización en línea para no degradarse significativamente por la presencia de ruido u observaciones erróneas en el flujo de datos, frecuentemente mediante funciones de pérdida robustas.
Complejidad por Muestra (Per-Sample Complexity)
Medida del costo computacional (tiempo y memoria) requerido para actualizar los factores matriciales con una sola nueva observación, criterio clave para evaluar la escalabilidad de algoritmos en línea.
Inicialización en Frío (Cold-Start)
Desafío de la factorización en línea donde el modelo debe proporcionar predicciones antes de haber acumulado suficientes datos para estimar de manera confiable los factores latentes de nuevos usuarios o ítems.
Algoritmo de Oja
Algoritmo estocástico simple para el cálculo en línea del vector propio principal de una matriz de covarianza, fundamental para el seguimiento de subespacios en tiempo real.