Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Optimisation Bayésienne Combinatoire
Adaptation de l'optimisation bayésienne aux espaces de recherche discrets ou combinatoires, utilisant des modèles de substitution spécifiques pour gérer des structures comme les graphes ou les permutations.
Modèle de Substitution Catégoriel
Modèle de substitution (surrogate model) conçu pour gérer des variables catégorielles ou discrètes, souvent basé sur des processus gaussiens avec des noyaux adaptés aux espaces discrets.
Noyau de Hamming
Fonction de noyau spécifique aux espaces discrets qui mesure la similarité entre deux points en comptant le nombre de coordonnées différentes, couramment utilisé dans les processus gaussiens pour l'optimisation combinatoire.
Acquisition par Treillis
Stratégie d'acquisition qui explore l'espace de recherche discret en suivant une structure de treillis, permettant une évaluation systématique des configurations voisines.
BOCP (Bayesian Optimization for Combinatorial Problems)
Cadre méthodologique spécifique pour l'application de l'optimisation bayésienne aux problèmes combinatoires, intégrant des modèles et des stratégies d'acquisition adaptés.
Espace de Permutations
Domaine de recherche discret où les solutions sont des arrangements ordonnés d'éléments, nécessitant des métriques de similarité et des noyaux spécialisés comme le noyau de Kendall.
Noyau de Graphes
Fonction de noyau définie sur des structures de graphes qui calcule la similarité entre deux graphes en se basant sur leurs propriétés topologiques ou leurs sous-structures communes.
Modèle de Markov Aléatoire
Approche alternative au processus gaussien pour modéliser la fonction objectif dans les espaces discrets, capturant les dépendances entre variables binaires ou catégorielles.
Optimisation Multi-Objectifs Combinatoire
Extension de l'optimisation bayésienne combinatoire aux problèmes avec plusieurs objectifs contradictoires, utilisant des frontières de Pareto approximatives dans les espaces discrets.
Représentation One-Hot
Technique d'encodage des variables catégorielles en vecteurs binaires pour permettre l'utilisation de modèles continus dans des contextes d'optimisation combinatoire.
Méthode de l'Arbre de Partition
Approche qui divise récursivement l'espace de recherche discret en sous-régions à l'aide d'arbres de décision, guidée par les observations de la fonction objectif.
BO avec Variables Mixtes
Variante de l'optimisation bayésienne traitant simultanément des variables continues, discrètes et catégorielles, nécessitant des modèles de substitution hybrides.
Acquisition par Recuit Simulé
Stratégie d'acquisition qui combine le critère bayésien avec un mécanisme de recuit simulé pour échapper aux optima locaux dans les paysages discrets.
Modèle de Substitution Basé sur les Arbres
Alternative aux processus gaussiens utilisant des modèles ensemblistes comme les forêts aléatoires, naturellement adaptés aux espaces discrets et aux structures non-linéaires.
Distance de Kendall
Métrique de similarité entre permutations qui compte le nombre minimum de swaps adjacents nécessaires pour transformer une permutation en une autre, utilisée dans les noyaux pour espaces d'ordonnancement.
Optimisation Bayésienne Séquentielle
Application de l'optimisation bayésienne aux problèmes de décision séquentielle où les actions sont discrètes, modélisant la politique optimale avec des processus gaussiens.
Noyau de String
Fonction de noyau spécialisée pour les espaces de chaînes de caractères ou séquences discrètes, calculant la similarité basée sur les sous-séquences communes.
BO pour Hyperparamètres Discrets
Application spécifique de l'optimisation bayésienne combinatoire au réglage d'hyperparamètres lorsque ceux-ci appartiennent à des ensembles discrets ou catégoriels.