Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
ALEBO (Adaptive Linear Embeddings for Bayesian Optimization)
Technique d'optimisation bayésienne qui apprend un sous-espace linéaire de faible dimension pour projeter les points de haute dimension, réduisant ainsi la complexité computationnelle.
ADD-GP (Additive Gaussian Process)
Modèle de processus gaussien additif qui décompose la fonction objectif en somme de fonctions de sous-groupes de variables, permettant une meilleure scalabilité en haute dimension.
Processus Gaussien (GP)
Modèle probabiliste non paramétrique définissant une distribution sur les fonctions, largement utilisé comme substitut dans l'optimisation bayésienne pour modéliser l'incertitude.
Critère d'Acquisition
Fonction heuristique utilisée en optimisation bayésienne pour guider le choix du prochain point d'évaluation en équilibrant exploration et exploitation.
Expected Improvement (EI)
Critère d'acquisition populaire qui calcule l'amélioration espérée par rapport à la meilleure observation actuelle, pondérée par l'incertitude du modèle.
Plongement de Dimension (Dimensionality Embedding)
Technique de réduction de dimensionnalité qui projette l'espace de recherche de haute dimension dans un sous-espace de plus faible dimension où l'optimisation est effectuée.
Structure Additive
Hypothèse que la fonction objectif peut être décomposée en somme de fonctions dépendant de sous-ensembles de variables, exploitée pour améliorer l'efficacité en haute dimension.
Optimisation en Grande Dimension (High-Dimensional BO)
Variante de l'optimisation bayésienne adaptée aux espaces de recherche avec des dizaines ou centaines de dimensions, nécessitant des techniques spécialisées.
Modèle Substitut (Surrogate Model)
Modèle approximatif de la fonction objectif coûteuse, utilisé en optimisation bayésienne pour prédire les valeurs et l'incertitude en des points non évalués.
Kernel ARD (Automatic Relevance Determination)
Noyau de processus gaussien qui apprend automatiquement l'importance de chaque dimension, permettant d'identifier les variables pertinentes en haute dimension.
Random Embedding
Technique qui projette aléatoirement l'espace de haute dimension dans un sous-espace de plus faible dimension, supposant que seules quelques directions sont pertinentes.
Trust Region BO
Méthode d'optimisation bayésienne qui restreint la recherche à une région de confiance autour de la meilleure solution actuelle, adaptée pour les problèmes en haute dimension.
GP-UCB (Gaussian Process Upper Confidence Bound)
Critère d'acquisition qui équilibre exploration et exploitation en utilisant une borne supérieure de confiance sur la prédiction du processus gaussien.
Factorisation de Noyau (Kernel Factorization)
Approche qui décompose le noyau du processus gaussien en produit de noyaux unidimensionnels, réduisant la complexité computationnelle en haute dimension.
Optimisation Multi-Objectif en Haute Dimension
Extension de l'optimisation bayésienne aux problèmes avec plusieurs objectifs contradictoires en grande dimension, nécessitant des critères d'acquisition adaptés.
Bayesian Optimization with High-Dimensional Outputs
Variante où la fonction objectif retourne des vecteurs de haute dimension, nécessitant des modèles multi-sorties et des critères d'acquisition spécialisés.