AI 용어집
인공지능 완전 사전
Matrice de Laplace
Opérateur différentiel discret utilisé pour capturer la structure géométrique des données, calculée comme L = D - W où D est la matrice des degrés et W la matrice de poids.
Normalized cuts
Critère d'optimisation qui minimise le rapport entre la coupe séparant les clusters et le volume total des clusters, évitant le biais vers les clusters de petite taille.
Eigengap
Différence significative entre deux valeurs propres consécutives utilisée comme heuristique pour déterminer le nombre optimal de clusters dans le clustering spectral.
Nystrom method
Technique d'approximation pour accélérer le calcul des décompositions spectrales sur de grands ensembles de données en utilisant un sous-échantillonnage intelligent.
Ratiocut
Critère de partitionnement qui minimise le ratio entre la coupe et le nombre de sommets dans le plus petit partition, alternative au normalized cuts pour la segmentation.
Similarity graph
Graphe construit où chaque nœud représente un point de données et les arêtes pondèrent les similarités entre les points, fondation du clustering spectral.
Gaussian kernel
Fonction de similarité K(x,y) = exp(-||x-y||²/2σ²) utilisée pour construire la matrice d'affinité, où σ contrôle l'échelle de voisinage.
Degree matrix
Matrice diagonale où chaque élément D(i,i) représente la somme des poids des arêtes connectées au sommet i dans le graphe de similarité.
Unnormalized Laplacian
Matrice de Laplace simple définie comme L = D - W, où D est la matrice des degrés et W la matrice de poids du graphe.
Normalized Laplacian
Version normalisée de la matrice de Laplace définie comme L_sym = D^(-1/2)LD^(-1/2) ou L_rw = D^(-1)L, améliorant les propriétés spectrales.
Random walk Laplacian
Matrice de Laplace définie comme L_rw = I - D^(-1)W, interprétable comme l'opérateur de transition d'une marche aléatoire sur le graphe.