Glosario IA
El diccionario completo de la Inteligencia Artificial
Núcleo ARD
Núcleo de longitud de característica automática (Automatic Relevance Determination) que asigna una escala de longitud distinta a cada dimensión de entrada, permitiendo al modelo de proceso gaussiano identificar las variables más influyentes.
Núcleo de Mezcla Espectral
Núcleo no estacionario construido como una suma ponderada de núcleos base estacionarios con parámetros distintos, permitiendo capturar estructuras multi-escala y variaciones locales en la función objetivo.
Núcleo de Longitud de Característica Variable
Núcleo donde los parámetros de escala de longitud son ellos mismos funciones de la entrada, confiriendo al proceso gaussiano subyacente una propiedad de no estacionariedad para adaptarse a dinámicas locales cambiantes.
Núcleo de Estructura de Covarianza Aditiva
Núcleo que descompone la función objetivo en una suma de funciones de subconjuntos de dimensiones de entrada, explotando la estructura aditiva para mejorar la eficiencia de la optimización en alta dimensión.
Núcleo de Proceso Gaussiano Profundo
Núcleo implícito resultante de la composición de varios procesos gaussianos, donde la salida de una capa sirve de entrada a la siguiente, permitiendo modelar estructuras jerárquicas complejas y no lineales.
Núcleo de Deformación
Núcleo que aplica una transformación no lineal (warping) a las entradas o salidas de un núcleo base, permitiendo modelar funciones objetivo con anisotropías o no estacionariedades complejas.
Núcleo Basado en Funciones Ortogonales
Núcleo construido a partir de una expansión en serie de funciones ortogonales (ej. polinomios de Legendre, funciones trigonométricas), ofreciendo una interpretabilidad aumentada y una mejor extrapolación en ciertos contextos.
Núcleo de Gibbs
Núcleo no estacionario donde la función de covarianza depende de la posición en el espacio de entrada, definido mediante una función de varianza y una función de longitud de característica locales.
Núcleo de Bochner
Núcleo estacionario cuya forma está determinada por su densidad espectral a través del teorema de Bochner, proporcionando un marco teórico para el diseño de núcleos con propiedades frecuenciales específicas.
Núcleo de Kernel de Grafo
Núcleo definido sobre datos estructurados en grafos, que mide la similitud entre dos grafos contando subestructuras comunes (por ejemplo, caminos, árboles, ciclos), utilizado para la optimización en espacios discretos.
Núcleo de Regresión por Proceso Gaussiano con Múltiples Núcleos
Enfoque donde el núcleo final es una combinación lineal o no lineal de varios núcleos base, aprendida automáticamente a partir de los datos para capturar los diferentes componentes de la función objetivo.
Núcleo de Estacionariedad Local
Núcleo que modela la función objetivo como localmente estacionaria en vecindarios del espacio de entrada, con parámetros de covarianza que varían lentamente, ofreciendo un compromiso entre flexibilidad e interpretabilidad.
Núcleo de Covarianza con Descomposición en Valores Singulares
Núcleo construido realizando una descomposición en valores singulares (SVD) sobre una matriz de covarianza inicial, permitiendo reducir el ruido y capturar las direcciones principales de variación de la función objetivo.
Núcleo de Heterocedasticidad
Núcleo que modela una varianza del ruido dependiente de la entrada, esencial para la optimización bayesiana cuando la precisión de las observaciones de la función objetivo varía espacialmente.
Núcleo de Estructura de Covarianza Kronecker
Núcleo que explota la estructura producto de Kronecker en la matriz de covarianza, típica para funciones objetivo sobre rejillas o tensores, reduciendo la complejidad computacional de O(N^3) a O(N).
Núcleo de Regresión con Núcleos Convexos
Núcleo diseñado para imponer una restricción de convexidad (o concavidad) al modelo de proceso gaussiano, utilizado para la optimización de funciones conocidas como convexas para mejorar la convergencia.