Glossário IA
O dicionário completo da Inteligência Artificial
Co-clustering Multi-visões
Método que realiza simultaneamente o agrupamento de instâncias e características em múltiplas visões para descobrir estruturas latentes comuns. Otimiza conjuntamente as matrizes de particionamento para cada visão, mantendo a coerência entre as visões.
Agrupamento Espectral Multi-visões
Extensão do agrupamento espectral que combina os grafos laplacianos de múltiplas visões para capturar a estrutura manifold dos dados multi-representações. A abordagem funde os espaços espectrais antes de aplicar o k-means nos vetores próprios combinados.
Agrupamento NMF Multi-visões
Técnica baseada na Fatoração de Matrizes Não-Negativas que decompõe conjuntamente as matrizes de dados multi-visões para compartilhar uma base de fatores comum. Este método garante a coerência entre as visões, preservando as especificidades de cada representação.
Agrupamento Baseado em Representação
Abordagem que aprende uma representação compartilhada compacta a partir de múltiplas visões antes de realizar o agrupamento neste espaço comum. Utiliza técnicas de auto-encoders ou projeção para alinhar as diferentes perspectivas.
Agrupamento de Múltiplos Kernels
Método que combina múltiplos kernels (um por visão) para construir um kernel unificado que captura as similaridades multi-perspectivas dos dados. A otimização dos pesos de cada kernel permite adaptar a importância relativa das visões.
Agrupamento Baseado em Grafo Multi-visões
Técnica que constrói e funde múltiplos grafos de similaridade (um por visão) para descobrir uma estrutura de comunidade comum. Explora a teoria dos grafos e os métodos de corte para otimizar a coerência entre as visões.
Agrupamento CCA
Abordagem baseada na Análise de Correlação Canônica que projeta as visões em um espaço comum maximizando a correlação entre as visões antes do agrupamento. É particularmente eficaz para visões de alta dimensionalidade com estruturas lineares.
Agrupamento Hierárquico Multi-visões
Extensão do agrupamento hierárquico que integra as informações de múltiplas visões em cada etapa de fusão ou divisão dos clusters. Constrói um dendrograma baseado em distâncias multi-visões ponderadas ou de consenso.
Agrupamento Semissupervisionado Multivisão
Método que combina informações não rotuladas de múltiplas visões com restrições ou conhecimentos a priori para guiar o agrupamento. Ele explora os links must-link/cannot-link ou rótulos parciais para melhorar a qualidade do particionamento.
Agrupamento por Divergência Multivisão
Técnica que minimiza a divergência entre as distribuições dos clusters em diferentes visões para garantir a consistência interperspectivas. Ela utiliza métricas como KL-divergência ou JS-divergência para quantificar o alinhamento das estruturas.
Agrupamento por Alinhamento de Manifolds
Método que alinha as estruturas de manifold de diferentes visões em um espaço comum antes de realizar o agrupamento. Ele preserva a geometria local intravisão enquanto estabelece correspondências intervisões coerentes.
Agrupamento por Similaridade Intervisões
Técnica que explora diretamente as matrizes de similaridade intervisões para guiar o processo de agrupamento. Ela reforça os clusters que mostram padrões coerentes através das diferentes perspectivas dos dados.
Agrupamento Multivisão Ponderado
Abordagem que aprende automaticamente os pesos ótimos de cada visão no processo de agrupamento. Ela adapta dinamicamente a importância das visões com base em sua qualidade e relevância para a estrutura dos clusters.
Agrupamento Multivisão Parcial
Método robusto capaz de lidar com dados onde algumas instâncias estão ausentes em certas visões. Ele utiliza técnicas de imputação ou aprendizado incompleto para explorar eficazmente as informações disponíveis.
Agrupamento por Fusão Tardia
Estratégia que realiza o agrupamento independentemente em cada visão e depois funde os resultados por consenso. Esta abordagem é flexível e permite combinar diferentes algoritmos de agrupamento adaptados a cada visão específica.