Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Factorisation de Matrices Robuste
Ensemble de techniques de décomposition matricielle conçues pour résister aux valeurs aberrantes et au bruit, en minimisant l'influence des erreurs de données sur les facteurs latents estimés.
Décomposition en Valeurs Singulières Robuste (rSVD)
Variante de la SVD standard qui utilise des normes résistantes aux valeurs aberrantes (comme la norme L1) au lieu de la norme L2, permettant une estimation plus fiable des composantes principales en présence de bruit.
Factorisation de Matrice Non-Négative Robuste (rNMF)
Extension de la NMF qui intègre des mécanismes de détection et de traitement des valeurs aberrantes, souvent via des termes de régularisation ou des fonctions de perte spécifiques, pour garantir des facteurs non-négatifs et stables.
Méthode du Huber en Factorisation
Approche qui applique la fonction de perte de Huber, quadratique pour les petites erreurs et linéaire pour les grandes, à l'optimisation de la factorisation, offrant un compromis entre sensibilité au bruit et robustesse aux valeurs aberrantes.
Factorisation L1-PCA
Méthode d'analyse en composantes principales basée sur la minimisation de la norme L1, qui est moins sensible aux points extrêmes que la norme L2 traditionnellement utilisée dans le PCA standard.
Décomposition Robuste par Recouvrement Parsimonieux (RPCA)
Technique qui décompose une matrice de données en la somme d'une matrice de bas rang (structure sous-jacente) et d'une matrice parcimonieuse (valeurs aberrantes), isolant ainsi efficacement le signal du bruit.
Factorisation de Matrice par Déviation Absolue Médiane (MAD)
Méthode robuste qui utilise la déviation absolue médiane comme mesure de dispersion pour pondérer les erreurs lors de la décomposition, réduisant l'impact des observations extrêmes sur le modèle final.
Algorithme de Recherche de Paires Robuste (Robust Alternating Least Squares)
Variante de l'algorithme ALS où la fonction de perte est modifiée pour être moins sensible aux valeurs aberrantes, souvent en remplaçant les moindres carrés par des critères robustes lors de la mise à jour alternée des facteurs.
Factorisation par Quantile Robuste
Approche qui optimise la factorisation en se basant sur des quantiles des résidus plutôt que sur leur moyenne, rendant le processus d'estimation insensible à une certaine proportion de données corrompues.
Décomposition en Facteurs Latents Robuste
Modélisation qui extrait les variables latentes (facteurs) d'une matrice de données tout en atténuant l'effet des observations bruitées ou aberrantes, pour une représentation plus fidèle de la structure intrinsèque des données.
Factorisation de Matrice avec Poids de Robustesse
Technique qui assigne un poids à chaque entrée de la matrice en fonction de sa probabilité d'être une valeur aberrante, les poids étant ensuite utilisés pour minimiser l'influence des données non fiables durant la décomposition.
Méthode RANSAC en Factorisation
Application du consensus d'échantillons aléatoires (RANSAC) à la factorisation, où le modèle est itérativement estimé à partir de sous-ensembles de données aléatoires, ne retenant que les inliers (données cohérentes) pour construire le modèle final robuste.
Factorisation par Norme L2,1
Méthode qui minimise la norme L2,1 de la matrice des erreurs (somme des normes L2 des lignes), ce qui la rend particulièrement robuste aux valeurs aberrantes structurées en lignes ou en colonnes dans la matrice de données.
Décomposition Robuste par Troncature (Truncated SVD Robuste)
Version robuste de la SVD tronquée qui, avant de conserver les k plus grandes valeurs singulières, applique une procédure de nettoyage ou de pondération pour atténuer l'effet du bruit et des points extrêmes sur les composantes retenues.
Factorisation de Matrice avec Modèle de Mélange de Bruit
Approche avancée qui modélise explicitement le bruit comme un mélange de distributions (par exemple, une distribution gaussienne pour le bruit et une plus large pour les valeurs aberrantes), permettant une séparation plus fine et une factorisation plus stable.