Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Noyau ARD
Noyau à longueur de caractéristique automatique (Automatic Relevance Determination) qui attribue une échelle de longueur distincte à chaque dimension d'entrée, permettant au modèle de processus gaussien d'identifier les variables les plus influentes.
Noyau Spectral Mélange
Noyau non-stationnaire construit comme une somme pondérée de noyaux de base stationnaires avec des paramètres distincts, permettant de capturer des structures multi-échelles et des variations locales dans la fonction objectif.
Noyau à Longueur de Caractéristique Variable
Noyau où les paramètres d'échelle de longueur sont eux-mêmes des fonctions de l'entrée, conférant au processus gaussien sous-jacent une propriété de non-stationnarité pour s'adapter à des dynamiques locales changeantes.
Noyau de Structure de Covariance Additive
Noyau qui décompose la fonction objectif en une somme de fonctions de sous-ensembles de dimensions d'entrée, exploitant la structure additive pour améliorer l'efficacité de l'optimisation en haute dimension.
Noyau de Deep Gaussian Process
Noyau implicite résultant de la composition de plusieurs processus gaussiens, où la sortie d'une couche sert d'entrée à la suivante, permettant de modéliser des structures hiérarchiques complexes et non-linéaires.
Noyau de Warping
Noyau qui applique une transformation non-linéaire (warping) aux entrées ou aux sorties d'un noyau de base, permettant de modéliser des fonctions objectives avec des anisotropies ou des non-stationnarités complexes.
Noyau à Base de Fonctions Orthogonales
Noyau construit à partir d'une expansion en série de fonctions orthogonales (e.g., polynômes de Legendre, fonctions trigonométriques), offrant une interprétabilité accrue et une meilleure extrapolation dans certains contextes.
Noyau de Gibbs
Noyau non-stationnaire où la fonction de covariance dépend de la position dans l'espace d'entrée, défini via une fonction de variance et une fonction de longueur de caractéristique locales.
Noyau de Bochner
Noyau stationnaire dont la forme est déterminée par sa densité spectrale via le théorème de Bochner, offrant un cadre théorique pour la conception de noyaux avec des propriétés fréquentielles spécifiques.
Noyau de Graph Kernel
Noyau défini sur des données structurées en graphes, mesurant la similarité entre deux graphes en comptant des sous-structures communes (e.g., chemins, arbres, cycles), utilisé pour l'optimisation sur des espaces discrets.
Noyau de Régression par Processus Gaussien à Noyaux Multiples
Approche où le noyau final est une combinaison linéaire ou non-linéaire de plusieurs noyaux de base, apprise automatiquement à partir des données pour capturer les différentes composantes de la fonction objectif.
Noyau de Stationnarité Locale
Noyau qui modélise la fonction objectif comme localement stationnaire dans des voisinages de l'espace d'entrée, avec des paramètres de covariance qui varient lentement, offrant un compromis entre flexibilité et interprétabilité.
Noyau de Covariance à Décomposition en Valeurs Singulières
Noyau construit en effectuant une décomposition en valeurs singulières (SVD) sur une matrice de covariance initiale, permettant de réduire le bruit et de capturer les directions principales de variation de la fonction objectif.
Noyau de Hétéroscédasticité
Noyau qui modélise une variance du bruit dépendant de l'entrée, essentiel pour l'optimisation bayésienne lorsque la précision des observations de la fonction objectif varie spatialement.
Noyau de Structure de Covariance Kronecker
Noyau qui exploite la structure produit de Kronecker dans la matrice de covariance, typique pour les fonctions objectives sur des grilles ou des tenseurs, réduisant la complexité computationnelle de O(N^3) à O(N).
Noyau de Régression à Noyaux Convexes
Noyau conçu pour imposer une contrainte de convexité (ou concavité) au modèle de processus gaussien, utilisé pour l'optimisation de fonctions connues pour être convexes afin d'améliorer la convergence.