Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Consensus Clustering
Méthode agrégant les résultats de multiples algorithmes de clustering appliqués sur différentes vues pour produire une partition finale robuste et stable. Le consensus est obtenu en combinant les matrices de co-association ou les étiquettes de clustering provenant de chaque vue individuelle.
Fusion de Vues
Processus d'intégration d'informations provenant de multiples représentations des données pour créer une vue unifiée ou enrichie. La fusion peut être réalisée au niveau des caractéristiques, des décisions ou des modèles selon la stratégie d'agrégation adoptée.
Apprentissage de Représentation Multi-vue
Paradigme d'apprentissage automatique visant à apprendre des représentations latentes partagées ou complémentaires à partir de multiples perspectives des données. Ces représentations capturent les informations essentielles tout en éliminant les redondances et le bruit spécifique à chaque vue.
Spectral Clustering Multi-vue
Extension du clustering spectral aux données multi-vues qui construit une matrice de similarité combinée à partir de toutes les vues avant d'appliquer la décomposition spectrale. Cette méthode excelle dans la découverte de structures non-linéaires et de formes complexes dans les données multi-représentations.
Clustering Basé sur la Contrainte Multi-vue
Approche intégrant des contraintes de domaine ou des connaissances a priori dans le processus de clustering multi-vues pour guider la formation des clusters. Les contraintes peuvent être de type must-link ou cannot-link et sont propagées entre les différentes vues pour assurer la cohérence.
Algorithme de K-modes Multi-vue
Adaptation de l'algorithme K-means pour les données catégorielles multi-vues utilisant le mode comme centre de cluster au lieu de la moyenne. Cette méthode optimise simultanément les dissimilarités catégorielles à travers toutes les vues pour former des clusters cohérents.
Clustering Hiérarchique Multi-vue
Méthode de clustering construisant une hiérarchie de clusters en intégrant les informations de multiples vues à chaque niveau d'agrégation. L'algorithme utilise des métriques de distance combinées ou pondérées pour évaluer la similarité entre clusters à travers les différentes représentations.
Matrice de Co-association
Matrice carrée où chaque élément indique la fréquence à laquelle deux échantillons sont regroupés ensemble dans différents clustering de vues multiples. Cette matrice sert de base pour les méthodes de consensus clustering et capture la stabilité des relations entre échantillons.
Divergence de Vues
Mesure quantifiant les désaccords ou les différences structurelles entre les clustering obtenus sur différentes vues des mêmes données. Une divergence modérée est souvent bénéfique car elle indique une complémentarité informative entre les perspectives.
Complémentarité des Vues
Principe fondamental en clustering multi-vues stipulant que différentes représentations peuvent capturer des aspects distincts et complémentaires de la structure des données. Cette complémentarité est exploitée pour améliorer la robustesse et la précision du clustering final.
Poids des Vues
Paramètres quantifiant l'importance relative de chaque vue dans le processus de clustering multi-vues, souvent optimisés automatiquement. Ces poids permettent d'accorder plus d'influence aux vues les plus informatives tout en pénalisant celles contenant du bruit.
Clustering Semi-supervisé Multi-vue
Approche hybride combinant clustering multi-vues avec un nombre limité d'étiquettes connues pour guider le processus de regroupement. Les informations supervisées sont propagées à travers les vues pour améliorer la cohérence et la pertinence des clusters formés.
Alignement de Vues
Processus de mise en correspondance des structures ou des patterns entre différentes vues pour identifier des correspondances cohérentes. L'alignement permet de révéler des relations latentes communes et d'établir des ponts entre les représentations hétérogènes.
Clustering par Noyau Multi-vue
Extension des méthodes de clustering par noyau au contexte multi-vues utilisant des fonctions noyau combinées pour mapper les données dans des espaces de plus grande dimension. Cette approche capture efficacement les relations non-linéaires entre les vues tout en préservant leur complémentarité.
Clustering Basé sur le Graphique Multi-vue
Méthode construisant et fusionnant plusieurs graphes de similarité, un pour chaque vue, avant d'appliquer des algorithmes de partitionnement de graphe. Cette approche capture efficacement les structures de voisinage locales et globales à travers les différentes perspectives.
Validation Croisée Multi-vue
Technique d'évaluation robuste pour les algorithmes de clustering multi-vues testant la stabilité des résultats sur différentes configurations de vues. Cette validation mesure la cohérence interne et la sensibilité du clustering aux variations des représentations.