Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Factorisation de Matrices Non-Négative (NMF)
Technique d'algèbre linéaire décomposant une matrice V non-négative en deux matrices W et H également non-négatives, telles que V ≈ WH, favorisant une interprétation additive des données.
Matrice de Base (W)
Dans la NMF, la matrice W contient les vecteurs de base ou les 'composants' qui, combinés linéairement, reconstruisent les données originales, chaque colonne représentant une caractéristique fondamentale.
Matrice de Coefficients (H)
La matrice H dans la décomposition NMF représente les poids ou les coefficients d'activation de chaque base (de W) pour chaque échantillon de données, indiquant leur contribution.
Rang de la Factorisation
Paramètre crucial de la NMF, le rang (k) détermine le nombre de composants ou de facteurs latents à extraire, contrôlant la granularité de la décomposition et le niveau de compression.
Erreur Quadratique Moyenne (Frobenius Norm)
Fonction de coût la plus courante en NMF, calculant la somme des carrés des différences entre les éléments de V et de WH, visant à minimiser la distance euclidienne globale.
Multiplicative Update Rules
Algorithme d'optimisation itératif spécifique à la NMF qui met à jour les matrices W et H par multiplication élément par élément, garantissant le maintien de la contrainte de non-négativité.
Coût de Sparsité
Terme de régularisation ajouté à la fonction de coût de la NMF pour encourager les matrices W et/ou H à contenir de nombreux zéros, améliorant l'interprétabilité et la sélection de caractéristiques.
NMF Convexe
Variante de la NMF où la matrice de base W est fixée et pré-définie (souvent à partir d'un dictionnaire de données), rendant le problème d'optimisation convexe et garantissant une solution unique pour H.
NMF Parallèle (Parallel NMF)
Approche de calcul distribué pour la NMF, où les mises à jour des éléments des matrices W et H sont effectuées simultanément sur plusieurs cœurs ou nœuds de calcul pour accélérer la convergence.
Interprétabilité Additive
Avantage clé de la NMF par rapport à d'autres décompositions comme l'ACP, où les composants sont des parties qui s'ajoutent pour former le tout, facilitant une compréhension intuitive des données.
Initialisation de la NMF
Processus critique de choix des valeurs initiales pour les matrices W et H, influençant la vitesse de convergence et la qualité de la solution finale, car l'optimisation n'est pas convexe.
NMF Orthogonale
Extension de la NMF ajoutant une contrainte d'orthogonalité sur la matrice des coefficients H (ou la base W), forçant les composants à être moins corrélés et plus distincts.
Stabilité de la NMF
Mesure de la consistance des solutions de la NMF obtenues à partir de différentes initialisations ou sous-échantillons de données, une faible stabilité indiquant une solution potentiellement non robuste.
Co-clustering par NMF
Application de la NMF où la factorisation simultanée des lignes et des colonnes d'une matrice révèle des clusters d'échantillons et de caractéristiques partageant des structures latentes communes.
NMF pour le Traitement du Signal
Utilisation de la NMF pour séparer les sources audio ou décomposer des signaux spectraux en composants élémentaires (notes, instruments) en exploitant leur nature additive et non-négative.
NMF en Analyse de Texte
Application de la NMF à des matrices termes-documents pour découvrir des 'thèmes' (matrice W) et leur contribution (matrice H) dans chaque document, offrant une interprétation thématique claire.
Méthode des Coordonnées Alternées (ALS)
Stratégie d'optimisation pour la NMF qui résout le problème de manière itérative en fixant une matrice (H) pour optimiser l'autre (W), puis en inversant les rôles jusqu'à la convergence.