Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje incremental
Paradigma de aprendizaje donde un modelo mejora continuamente a partir de nuevos datos sin necesidad de un reentrenamiento completo sobre el historial de datos. Este enfoque permite una adaptación en tiempo real mientras preserva los conocimientos adquiridos previamente.
Aprendizaje continuo
Área de la IA que busca desarrollar sistemas capaces de aprender secuencialmente múltiples tareas sin reinicialización completa. El objetivo es crear modelos adaptativos que acumulen conocimientos a largo plazo.
Redes expandibles dinámicas
Modelos capaces de adaptar dinámicamente su arquitectura añadiendo nuevas unidades o capas cuando aparecen nuevas clases o tareas. Esta expansión controlada permite un crecimiento eficiente sin comprometer el rendimiento existente.
Métodos basados en regularización
Familia de enfoques que utilizan términos de penalización en la función de pérdida para restringir las modificaciones de los pesos importantes. Estos métodos identifican y protegen los parámetros críticos para el rendimiento en tareas anteriores.
Métodos basados en arquitectura
Estrategias de aprendizaje continuo que modifican la estructura de la red para acomodar nuevos conocimientos sin interferir con los anteriores. Estos enfoques incluyen la expansión dinámica y la asignación de recursos dedicados por tarea.
Métodos basados en repetición
Técnicas de aprendizaje continuo que utilizan un almacenamiento y reutilización selectiva de datos pasados para mantener el rendimiento. Estos métodos varían en su estrategia de selección y remuestreo de experiencias memorizadas.
Aprendizaje incremental por tareas
Escenario de aprendizaje continuo donde la identidad de la tarea es conocida durante la inferencia, permitiendo el uso de máscaras o subredes específicas. Esta simplificación facilita la separación de conocimientos entre diferentes tareas.
Aprendizaje incremental de dominio
Paradigma donde las clases permanecen constantes pero la distribución de datos cambia progresivamente entre tareas. El modelo debe adaptarse a nuevos dominios mientras mantiene su capacidad de reconocer todas las clases.
Aprendizaje incremental de clases
Escenario más restrictivo donde nuevas clases se introducen progresivamente sin conocimiento de la identidad de la tarea. El modelo debe distinguir entre las clases antiguas y nuevas mientras evita el olvido de conocimientos pasados.