Glosario IA
El diccionario completo de la Inteligencia Artificial
Factorización de Matrices Robusta
Conjunto de técnicas de descomposición matricial diseñadas para resistir valores atípicos y ruido, minimizando la influencia de errores en los datos sobre los factores latentes estimados.
Descomposición en Valores Singulares Robusta (rSVD)
Variante de la SVD estándar que utiliza normas resistentes a valores atípicos (como la norma L1) en lugar de la norma L2, permitiendo una estimación más confiable de componentes principales en presencia de ruido.
Factorización de Matriz No Negativa Robusta (rNMF)
Extensión de la NMF que incorpora mecanismos de detección y tratamiento de valores atípicos, frecuentemente mediante términos de regularización o funciones de pérdida específicas, para garantizar factores no negativos y estables.
Método de Huber en Factorización
Enfoque que aplica la función de pérdida de Huber, cuadrática para errores pequeños y lineal para errores grandes, a la optimización de la factorización, ofreciendo un compromiso entre sensibilidad al ruido y robustez frente a valores atípicos.
Factorización L1-PCA
Método de análisis de componentes principales basado en la minimización de la norma L1, que es menos sensible a puntos extremos que la norma L2 utilizada tradicionalmente en el PCA estándar.
Descomposición Robusta por Recubrimiento Parcimonioso (RPCA)
Técnica que descompone una matriz de datos en la suma de una matriz de bajo rango (estructura subyacente) y una matriz parcimoniosa (valores atípicos), aislando así eficazmente la señal del ruido.
Factorización de Matriz por Desviación Absoluta Mediana (MAD)
Método robusto que utiliza la desviación absoluta mediana como medida de dispersión para ponderar errores durante la descomposición, reduciendo el impacto de observaciones extremas en el modelo final.
Algoritmo de Búsqueda de Pares Robusto (Robust Alternating Least Squares)
Variante del algoritmo ALS donde la función de pérdida se modifica para ser menos sensible a valores atípicos, frecuentemente reemplazando mínimos cuadrados por criterios robustos durante la actualización alternada de factores.
Factorización por Cuantil Robusto
Enfoque que optimiza la factorización basándose en cuantiles de los residuos en lugar de en su media, haciendo que el proceso de estimación sea insensible a una cierta proporción de datos corruptos.
Descomposición en Factores Latentes Robusta
Modelado que extrae las variables latentes (factores) de una matriz de datos mientras atenúa el efecto de observaciones ruidosas o aberrantes, para una representación más fiel de la estructura intrínseca de los datos.
Factorización de Matriz con Pesos de Robustez
Técnica que asigna un peso a cada entrada de la matriz según su probabilidad de ser un valor atípico, utilizando luego los pesos para minimizar la influencia de datos no confiables durante la descomposición.
Método RANSAC en Factorización
Aplicación del consenso de muestras aleatorias (RANSAC) a la factorización, donde el modelo se estima iterativamente a partir de subconjuntos aleatorios de datos, reteniendo solo los inliers (datos coherentes) para construir el modelo final robusto.
Factorización por Norma L2,1
Método que minimiza la norma L2,1 de la matriz de errores (suma de las normas L2 de las filas), lo que la hace particularmente robusta a valores atípicos estructurados en filas o columnas en la matriz de datos.
Descomposición Robusta por Truncamiento (SVD Truncado Robusto)
Versión robusta del SVD truncado que, antes de conservar las k mayores valores singulares, aplica un procedimiento de limpieza o ponderación para atenuar el efecto del ruido y los puntos extremos en las componentes retenidas.
Factorización de Matriz con Modelo de Mezcla de Ruido
Enfoque avanzado que modela explícitamente el ruido como una mezcla de distribuciones (por ejemplo, una distribución gaussiana para el ruido y una más amplia para los valores atípicos), permitiendo una separación más fina y una factorización más estable.