Glosario IA
El diccionario completo de la Inteligencia Artificial
MCMC Paralelo
Enfoque algorítmico que ejecuta simultáneamente múltiples cadenas de Markov en unidades de cálculo distintas para acelerar la exploración del espacio de estados y mejorar la convergencia hacia la distribución objetivo.
Cadenas Múltiples Independientes
Técnica que paraleliza la ejecución de varias cadenas MCMC inicialmente dispersas en el espacio de parámetros, cada una explorando independientemente la distribución posterior antes de combinar los resultados.
Intercambio de Cadenas
Mecanismo estocástico que permite a las cadenas de diferentes niveles de temperatura intercambiar sus estados según un criterio de Metropolis-Hastings, mejorando la exploración global del espacio de parámetros.
Diagnóstico de Gelman-Rubin Paralelo
Extensión del diagnóstico R-hat que evalúa la convergencia entre cadenas paralelas comparando la varianza intra-cadena con la varianza inter-cadenas, adaptada para arquitecturas distribuidas y asíncronas.
Sincronización de Cadenas
Proceso que coordina el avance de las cadenas MCMC paralelas para garantizar puntos de control comunes, facilitar los intercambios de estados o sincronizar los diagnósticos de convergencia globales.
Reparto de Carga
Estrategia de asignación dinámica de las cadenas MCMC a los recursos de cálculo en función de su complejidad computacional, optimizando la utilización global y minimizando los tiempos de espera.
Pool de Cadenas
Estructura de datos centralizada que almacena los estados actuales de todas las cadenas paralelas, facilitando las operaciones de intercambio, muestreo y diagnóstico conjunto en un MCMC distribuido.
Mezcla de Cadenas
Medida cuantitativa de la eficiencia con la que las cadenas paralelas exploran colectivamente el espacio de parámetros, evaluada por las estadísticas de autocorrelación cruzadas y las tasas de transición entre cadenas.
Agregación Bayesiana
Combinación de muestras de varias cadenas MCMC según principios bayesianos, utilizando distribuciones de mezcla ponderadas por probabilidades a posteriori para obtener una mejor aproximación.
Muestreo por División-Conquista
Enfoque paralelo que divide el dominio de muestreo en subregiones asignadas a diferentes cadenas, con unificación periódica de las muestras para reconstruir la distribución objetivo completa.
Temperatura Adaptativa
Ajuste dinámico de los parámetros de temperatura en las cadenas de recocido paralelo basado en las tasas de aceptación observadas, optimizando la eficiencia de los intercambios entre cadenas.
Paralelismo de Datos MCMC
Estrategia de paralelización donde cada cadena procesa simultáneamente diferentes subconjuntos de datos, agregando luego las contribuciones para formar la verosimilitud global del modelo bayesiano.
Fusión de Cadenas
Técnica heurística que combina inteligentemente los segmentos de trayectoria de varias cadenas MCMC para maximizar la diversidad de muestreo manteniendo las propiedades de Markov globales.
Replicación de Cadenas
Enfoque de paralelización que ejecuta copias idénticas de la misma cadena MCMC con diferentes semillas aleatorias, evaluando la robustez y reduciendo la incertidumbre estadística de las estimaciones.
Intercambio Adaptativo
Mecanismo que optimiza dinámicamente la frecuencia y la topología de los intercambios entre cadenas paralelas basado en las tasas de aceptación históricas y las correlaciones observadas.
Agregación Secuencial
Método que combina progresivamente los resultados de las cadenas MCMC paralelas en un orden determinado por su calidad de convergencia, ponderando cada contribución según su eficiencia de muestreo.