AI-woordenlijst
Het complete woordenboek van kunstmatige intelligentie
Co-clustering Multi-vues
Méthode qui effectue simultanément le clustering des instances et des features across multiple views pour découvrir des structures latentes communes. Elle optimise conjointement les matrices de partitionnement pour chaque vue tout en conservant la cohérence inter-vues.
Spectral Clustering Multi-vues
Extension du clustering spectral qui combine les graphes laplaciens de plusieurs vues pour capturer la structure manifold des données multi-représentations. L'approche fusionne les espaces spectraux avant d'appliquer k-means sur les vecteurs propres combinés.
Clustering NMF Multi-vues
Technique basée sur la Factorisation en Matrices Non-Négatives qui décompose conjointement les matrices de données multi-vues pour partager une base de factors commune. Cette méthode garantit la cohérence inter-vues tout en préservant les spécificités de chaque représentation.
Clustering Basé sur la Représentation
Approche qui apprend une représentation partagée compacte à partir de multiples vues avant d'effectuer le clustering dans cet espace commun. Elle utilise des techniques d'auto-encoders ou de projection pour aligner les différentes perspectives.
Clustering à Noyaux Multiples
Méthode qui combine plusieurs noyaux (un par vue) pour construire un noyau unifié capturant les similarités multi-perspectives des données. L'optimisation des poids de chaque noyau permet d'adapter l'importance relative des vues.
Clustering Basé sur le Graph Multi-vues
Technique qui construit et fusionne plusieurs graphes de similarité (un par vue) pour découvrir une structure de communauté commune. Elle exploite la théorie des graphes et les méthodes de coupe pour optimiser la cohérence inter-vues.
CCA Clustering
Approche basée sur l'Analyse de Corrélation Canonique qui projette les vues dans un espace commun maximisant la corrélation inter-vues avant clustering. Elle est particulièrement efficace pour les vues de haute dimensionalité avec des structures linéaires.
Clustering Hiérarchique Multi-vues
Extension du clustering hiérarchique qui intègre les informations de multiple vues à chaque étape de fusion ou division des clusters. Elle construit un dendrogramme basé sur des distances multi-vues pondérées ou consensus.
Clustering Semi-supervisé Multi-vues
Méthode qui combine les informations non étiquetées de multiple vues avec des contraintes ou connaissances a priori pour guider le clustering. Elle exploite les liens must-link/cannot-link ou les étiquettes partielles pour améliorer la qualité de partitionnement.
Clustering par Divergence Multi-vues
Technique qui minimise la divergence entre les distributions des clusters dans différentes vues pour assurer la cohérence inter-perspectives. Elle utilise des métriques comme KL-divergence ou JS-divergence pour quantifier l'alignement des structures.
Manifold Alignment Clustering
Méthode qui aligne les structures manifold de différentes vues dans un espace commun avant d'effectuer le clustering. Elle préserve la géométrie locale intra-vue tout en établissant des correspondances inter-vues cohérentes.
Clustering par Similarité Inter-vues
Technique qui exploite directement les matrices de similarité inter-vues pour guider le processus de clustering. Elle renforce les clusters qui montrent des patterns cohérents à travers les différentes perspectives des données.
Weighted Multi-view Clustering
Approche qui apprend automatiquement les poids optimaux de chaque vue dans le processus de clustering. Elle adapte dynamiquement l'importance des vues en fonction de leur qualité et de leur pertinence pour la structure des clusters.
Partial Multi-view Clustering
Méthode robuste capable de gérer les données où certaines instances sont manquantes dans certaines vues. Elle utilise des techniques d'imputation ou d'apprentissage incomplet pour exploiter efficacement les informations disponibles.
Clustering par Fusion Tardive
Stratégie qui effectue le clustering indépendamment sur chaque vue puis fusionne les résultats par consensus. Cette approche est flexible et permet de combiner différents algorithmes de clustering adaptés à chaque vue spécifique.