एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
Factorisation de Matrices Distribuée
Ensemble de techniques algorithmiques visant à décomposer une matrice de très grande taille en produits de matrices plus petites, en répartissant les calculs et les données sur un cluster de machines pour surmonter les limitations de mémoire et de puissance de calcul d'un seul nœud.
Alternating Least Squares (ALS) Distribué
Algorithme de factorisation de matrices parallélisé qui résout le problème de moindres carrés alternativement pour l'un des facteurs de matrice tout en gardant l'autre fixe, s'adaptant naturellement aux environnements distribués comme Spark MLlib grâce à l'indépendance des calculs sur chaque ligne ou colonne.
Stochastic Gradient Descent (SGD) Distribué
Variante parallèle de la descente de gradient stochastique où la mise à jour des paramètres de la factorisation est effectuée de manière asynchrone ou synchronisée sur plusieurs partitions de données, nécessitant des mécanismes de gestion de la cohérence pour converger correctement dans un contexte distribué.
MapReduce pour la Factorisation
Paradigme de programmation qui décompose les algorithmes de factorisation de matrices en deux étapes principales : une étape 'Map' pour les calculs locaux sur les fragments de données et une étape 'Reduce' pour agréger les résultats partiels et mettre à jour les facteurs de la matrice, utilisé notamment dans les implémentations sur Hadoop.
Spark MLlib ALS
Implémentation optimisée et distribuée de l'algorithme Alternating Least Squards au sein de la bibliothèque Machine Learning de Spark, conçue pour la factorisation de matrices de grande envergure en exploitant le modèle de programmation RDD ou DataFrame pour une efficacité maximale sur les données itératives.
Partitionnement de Matrice (Matrix Partitioning)
Stratégie de découpage d'une matrice massive en sous-blocs (par lignes, par colonnes ou par blocs carrés) distribués sur les nœuds d'un cluster, un choix crucial qui impacte directement la charge de travail, la communication inter-nœuds et la performance globale des algorithmes de factorisation.
Modèle de Consistance (Consistency Model)
Règles définissant la visibilité des mises à jour des facteurs de matrice à travers les nœuds du cluster, oscillant entre une forte cohérence (modèle BSP - Bulk Synchronous Parallel) qui garantit la convergence au prix de la latence, et une faible cohérence (modèle asynchrone) qui accélère les itérations mais peut compromettre la stabilité.
Factorisation de Matrice en Ligne (Online Matrix Factorization)
Approche distribuée adaptée aux flux de données continus, où le modèle de factorisation est mis à jour incrémentalement à l'arrivée de nouvelles observations sans nécessiter une réentraînement complet sur l'historique, souvent implémentée avec des variantes distribuées de SGD.
Parametric Distributed Matrix Factorization
Méthode avancée où les facteurs de la matrice ne sont pas appris directement mais sont générés par des fonctions paramétriques (ex: réseaux de neurones) partagées et distribuées, réduisant ainsi la quantité de données à communiquer entre les nœuds et améliorant la capacité de généralisation.
Stragglers (Nœuds Lent)
Phénomène dans les systèmes distribués où certaines machines exécutent leurs tâches de calcul beaucoup plus lentement que les autres, retardant l'ensemble du processus de factorisation synchrone ; des techniques comme la spéculation ou les algorithmes tolérants aux délais sont conçues pour atténuer leur impact.
Non-Negative Matrix Factorization (NMF) Distribuée
Extension distribuée de la factorisation en matrices non-négatives, où les contraintes de non-négativité sur les facteurs sont imposées à travers des règles de mises à jour (multiplicatives ou de projection) adaptées pour un exécution parallèle, souvent utilisée pour le clustering de textes à grande échelle.
Checkpointing dans les Algorithmes Itératifs
Technique de sauvegarde périodique de l'état des facteurs de matrice sur un stockage fiable (ex: HDFS) au cours des itérations d'un algorithme distribué, permettant de reprendre le calcul depuis un point intermédiaire en cas de défaillance d'un nœud et d'éviter de tout relancer depuis le début.
Tensor Factorisation Distribuée
Généralisation de la factorisation de matrices aux tenseurs (tableaux multi-dimensionnels) dans un contexte distribué, utilisée pour modéliser des données avec plus de deux modes (ex: utilisateurs, items, temps) et requérant des algorithmes parallèles spécifiques comme le PARAFAC ou le Tucker distribué.
Fonction de Perte Distribuée
Calcul de l'erreur de reconstruction de la matrice factorisée, effectué de manière partitionnée où chaque nœud évalue la perte sur son sous-ensemble de données avant qu'une étape de réduction globale ne calcule la perte totale pour guider les mises à jour du modèle de manière centralisée ou décentralisée.
Régularisation Distribuée
Application de pénalités (comme la norme L2) sur les facteurs de la matrice pour prévenir le surapprentissage, où le terme de régularisation est calculé localement sur chaque nœud et agrégé lors de la mise à jour globale des paramètres, assurant une régularisation cohérente à l'échelle du cluster.
Spark GraphX pour la Factorisation
Utilisation de l'API de traitement de graphes de Spark, GraphX, pour modéliser la matrice comme un graphe biparti (utilisateurs-items) et exécuter des algorithmes de factorisation basés sur la propagation de messages (message passing) entre les nœuds du graphe, offrant une alternative aux implémentations basées sur les DataFrames.