Glossário IA
O dicionário completo da Inteligência Artificial
Deep Clustering
Abordagem que combina redes neurais profundas com algoritmos de clustering tradicionais para aprender representações adaptadas ao clustering não supervisionado.
Autoencoder Clustering
Método que utiliza autoencoders para reduzir a dimensionalidade e aprender características compactas antes de aplicar algoritmos de clustering no espaço latente.
Deep Embedded Clustering (DEC)
Algoritmo que aprende simultaneamente representações de características e atribuições de cluster, otimizando conjuntamente os pesos da rede e os centroides dos clusters.
Variational Deep Embedding (VaDE)
Modelo generativo baseado em autoencoders variacionais que modela a distribuição de dados latentes como uma mistura de gaussianas para realizar o clustering.
Deep Subspace Clustering Networks (DSCN)
Arquitetura que aprende representações autoexpressivas para capturar a estrutura subjacente de dados pertencentes a diferentes subespaços lineares.
Deep Spectral Clustering
Extensão do clustering espectral onde redes neurais profundas são usadas para aprender a matriz de similaridade e a representação espectral ótima.
Deep Clustering with Convolutional Autoencoders (DCC)
Método especificamente projetado para dados de imagem usando autoencoders convolucionais para extrair características visuais antes do clustering.
Joint Unsupervised Learning (JULE)
Framework que integra o aprendizado de representações e o clustering em um processo iterativo unificado, alternando entre a extração de características e a atribuição aos clusters.
DeepCluster
Algoritmo iterativo que realiza o agrupamento (clustering) sobre as características extraídas por uma rede neural, e então usa os pseudo-rótulos resultantes para treinar a rede de forma supervisionada.
Information Maximizing Deep Clustering (IDEC)
Melhoria do DEC que preserva a estrutura local dos dados adicionando uma restrição de reconstrução para evitar a degradação das representações.
Deep Gaussian Mixture Models (DGMM)
Extensão dos modelos de mistura gaussiana onde a função de parametrização dos componentes é realizada por redes neurais profundas.
Deep Adaptive Clustering (DAC)
Método que se adapta automaticamente ao número ótimo de clusters usando restrições de similaridade aprendidas durante o treinamento da rede.
Self-Expressive Deep Neural Networks
Arquitetura que impõe uma restrição de autoexpressividade no espaço latente, onde cada amostra pode ser reconstruída como uma combinação linear de outras amostras.
Deep Kernel Clustering
Abordagem que aprende kernels parametrizados por redes neurais profundas para capturar relações não-lineares complexas entre os dados.
Deep Generative Clustering
Categoria de métodos que utilizam modelos generativos profundos como GANs ou VAEs para modelar a distribuição de dados e descobrir simultaneamente os clusters.
Contrastive Clustering
Técnica que aplica princípios de aprendizado contrastivo para maximizar a similaridade intra-cluster e minimizar a similaridade inter-cluster no espaço latente.
Agrupamento Profundo Multi-Visão
Extensão do agrupamento multi-visão onde redes neurais profundas aprendem representações compartilhadas e específicas de cada visão para uma melhor integração.
Agrupamento Profundo Hierárquico
Método que constrói uma hierarquia de clusters usando redes neurais para aprender representações em diferentes escalas de granularidade.