Glossário IA
O dicionário completo da Inteligência Artificial
Clustering de Consenso
Método que agrega os resultados de múltiplos algoritmos de clustering aplicados em diferentes visualizações para produzir uma partição final robusta e estável. O consenso é obtido combinando as matrizes de co-associação ou os rótulos de clustering provenientes de cada visualização individual.
Fusão de Visualizações
Processo de integração de informações provenientes de múltiplas representações de dados para criar uma visualização unificada ou enriquecida. A fusão pode ser realizada ao nível das características, das decisões ou dos modelos, dependendo da estratégia de agregação adotada.
Aprendizagem de Representação Multi-visualização
Paradigma de aprendizagem automática que visa aprender representações latentes partilhadas ou complementares a partir de múltiplas perspetivas dos dados. Estas representações capturam as informações essenciais, eliminando redundâncias e ruído específico de cada visualização.
Clustering Espectral Multi-visualização
Extensão do clustering espectral para dados multi-visualização que constrói uma matriz de similaridade combinada a partir de todas as visualizações antes de aplicar a decomposição espectral. Este método destaca-se na descoberta de estruturas não-lineares e formas complexas em dados de múltiplas representações.
Clustering Baseado em Restrições Multi-visualização
Abordagem que integra restrições de domínio ou conhecimento a priori no processo de clustering multi-visualização para guiar a formação dos clusters. As restrições podem ser do tipo must-link ou cannot-link e são propagadas entre as diferentes visualizações para garantir a coerência.
Algoritmo K-modes Multi-visualização
Adaptação do algoritmo K-means para dados categóricos multi-visualização, utilizando o modo como centro do cluster em vez da média. Este método otimiza simultaneamente as dissimilaridades categóricas em todas as visualizações para formar clusters coerentes.
Clustering Hierárquico Multi-visualização
Método de clustering que constrói uma hierarquia de clusters integrando as informações de múltiplas visualizações em cada nível de agregação. O algoritmo utiliza métricas de distância combinadas ou ponderadas para avaliar a similaridade entre clusters através das diferentes representações.
Matriz de Co-associação
Matriz quadrada onde cada elemento indica a frequência com que duas amostras são agrupadas em diferentes clusterings de múltiplas visualizações. Esta matriz serve de base para os métodos de clustering de consenso e captura a estabilidade das relações entre as amostras.
Divergência de Vistas
Medida que quantifica os desacordos ou as diferenças estruturais entre os agrupamentos obtidos em diferentes vistas dos mesmos dados. Uma divergência moderada é frequentemente benéfica, pois indica uma complementaridade informativa entre as perspectivas.
Complementaridade das Vistas
Princípio fundamental no agrupamento multi-vista que estipula que diferentes representações podem capturar aspetos distintos e complementares da estrutura dos dados. Esta complementaridade é explorada para melhorar a robustez e a precisão do agrupamento final.
Pesos das Vistas
Parâmetros que quantificam a importância relativa de cada vista no processo de agrupamento multi-vista, frequentemente otimizados automaticamente. Estes pesos permitem dar mais influência às vistas mais informativas, penalizando aquelas que contêm ruído.
Agrupamento Semi-supervisionado Multi-vista
Abordagem híbrida que combina agrupamento multi-vista com um número limitado de rótulos conhecidos para guiar o processo de agrupamento. As informações supervisionadas são propagadas através das vistas para melhorar a consistência e a relevância dos clusters formados.
Alinhamento de Vistas
Processo de correspondência de estruturas ou padrões entre diferentes vistas para identificar correspondências coerentes. O alinhamento permite revelar relações latentes comuns e estabelecer pontes entre as representações heterogéneas.
Agrupamento por Kernel Multi-vista
Extensão dos métodos de agrupamento por kernel ao contexto multi-vista, utilizando funções kernel combinadas para mapear os dados em espaços de maior dimensão. Esta abordagem captura eficazmente as relações não-lineares entre as vistas, preservando a sua complementaridade.
Agrupamento Baseado em Grafo Multi-vista
Método que constrói e funde vários grafos de similaridade, um para cada vista, antes de aplicar algoritmos de particionamento de grafo. Esta abordagem captura eficazmente as estruturas de vizinhança locais e globais através das diferentes perspectivas.
Validação Cruzada Multi-vista
Técnica de avaliação robusta para algoritmos de agrupamento multi-vista que testa a estabilidade dos resultados em diferentes configurações de vistas. Esta validação mede a consistência interna e a sensibilidade do agrupamento às variações das representações.