Glossário IA
O dicionário completo da Inteligência Artificial
Factorisation de Matrices Non Négatives
Algorithme de décomposition matricielle qui factorise une matrice V en deux matrices non négatives W et H telles que V ≈ WH. Cette contrainte de non-négativité permet une interprétation additive des composantes, rendant les résultats plus facilement interprétables.
Matrice de base
Matrice W dans la décomposition NMF (V ≈ WH) contenant les vecteurs de base ou prototypes qui représentent les caractéristiques fondamentales extraites des données originales. Chaque colonne de cette matrice capture un motif ou une caractéristique latente présente dans les données.
Matrice de coefficients
Matrice H dans la décomposition NMF (V ≈ WH) contenant les poids ou coefficients d'activation qui indiquent comment chaque caractéristique de base contribue à reconstruire les données originales. Ces coefficients permettent de représenter chaque échantillon comme une combinaison additive des caractéristiques de base.
Multiplicative Update Algorithm
Algorithme d'optimisation itératif spécifique à NMF qui met à jour les matrices W et H en utilisant des règles de mise à jour multiplicatives garantissant la non-négativité. Cet algorithme minimise alternativement les matrices W et H tout en maintenant leurs éléments non négatifs.
Coût de reconstruction
Mesure quantitative de l'erreur entre la matrice originale V et sa factorisation WH, généralement calculée comme la distance de Frobenius ou la divergence KL. Cette métrique guide le processus d'optimisation et évalue la qualité de la décomposition obtenue.
Caractéristiques latentes
Composantes sous-jacentes non observées découvertes par NMF à partir des données brutes, représentant des patterns ou structures intrinsèques. Ces caractéristiques émergent naturellement de la décomposition et révèlent des relations cachées dans les données.
Sparsité
Propriété souhaitée dans NMF où la plupart des éléments des matrices W ou H sont nuls ou proches de zéro, favorisant des représentations plus interprétables. La contrainte de sparsité aide à isoler les caractéristiques les plus pertinentes et à réduire la redondance.
Orthogonal NMF
Variante de NMF imposant une contrainte d'orthogonalité sur la matrice de coefficients H, favorisant une partition claire des données en clusters distincts. Cette approche améliore la séparation des caractéristiques et facilite l'interprétation des résultats dans des tâches de clustering.
NMF Esparsa
Extensão da NMF que incorpora restrições de esparsidade adicionais nas matrizes W ou H para obter representações mais parcimoniosas. Este método é particularmente eficaz para a seleção de características e a identificação dos componentes mais significativos.
NMF Convexa
Variante da NMF onde os vetores de base são restritos a serem combinações convexas das amostras originais, melhorando a interpretabilidade dos resultados. Esta abordagem garante que cada característica descoberta possa ser expressa como uma média ponderada dos dados de entrada.
Iterações alternadas
Estratégia de otimização na NMF onde as matrizes W e H são atualizadas alternadamente, uma sendo fixa enquanto a outra é otimizada. Esta abordagem garante a convergência para uma solução localmente ótima enquanto mantém as restrições de não-negatividade.
Convergência local
Propriedade dos algoritmos NMF que convergem para um ótimo local em vez de global devido à não-convexidade do problema. A qualidade da solução final depende frequentemente da inicialização e pode necessitar de múltiplas execuções para encontrar a melhor decomposição.
Inicialização aleatória
Método comum para iniciar o algoritmo NMF inicializando aleatoriamente as matrizes W e H com valores não negativos. A inicialização influencia significativamente a convergência e a qualidade da solução final obtida após otimização.
NMF para classificação
Aplicação da NMF como técnica de redução de dimensionalidade onde os coeficientes da matriz H são usados como características para algoritmos de classificação. Esta abordagem melhora frequentemente o desempenho de classificação fornecendo representações mais discriminantes.
NMF para clustering
Utilização da NMF para descobrir uma estrutura de clustering natural nos dados interpretando os coeficientes da matriz H como pertinências aos clusters. Cada amostra é atribuída ao cluster correspondente ao coeficiente máximo na sua representação.
NMF probabilística
Framework probabilístico para NMF que modela os dados com distribuições estatísticas como a Poisson ou a Gaussiana, oferecendo uma interpretação bayesiana da fatorização. Esta abordagem permite integrar conhecimentos prévios e quantificar a incerteza das estimativas.
NMF regularizada
Extensão do NMF que incorpora termos de regularização na função objetivo para controlar a complexidade do modelo e evitar o sobreajuste. A regularização pode impor restrições de esparsidade, suavização ou outras propriedades desejáveis nas matrizes fatoradas.