Glossário IA
O dicionário completo da Inteligência Artificial
TabNet
Arquitetura de rede neural sequencial projetada especificamente para dados tabulares, utilizando um mecanismo de mascaramento atencional para selecionar de forma interpretável as características relevantes em cada etapa de decisão.
Mascaramento Atencional (Attentive Masking)
Mecanismo central do TabNet que aprende a mascarar sequencialmente as características não pertinentes, permitindo que o modelo se concentre nas variáveis mais informativas para uma dada previsão.
Aprendizagem Sequencial de Características (Sequential Feature Learning)
Processo pelo qual o TabNet aprende uma representação dos dados através de várias etapas, onde cada etapa refina a seleção das características com base nas informações das etapas anteriores.
Feature Transformer
Módulo do TabNet que transforma as características de entrada mascaradas em uma nova representação de maior dimensão, utilizando camadas totalmente conectadas e uma função de ativação GLU.
GLU (Gated Linear Unit)
Função de ativação utilizada no Feature Transformer do TabNet, que permite o controle do fluxo de informações multiplicando uma projeção linear por um portão sigmoide, melhorando a capacidade da rede de modelar relações complexas.
Agregador (Attentive Transformer)
Componente do TabNet que gera a máscara de atenção para a próxima etapa de decisão, com base no estado anterior e nas características transformadas para determinar onde focar a atenção.
Etapa de Decisão (Decision Step)
Unidade de processamento fundamental na arquitetura TabNet, combinando um Feature Transformer e um Attentive Transformer para produzir uma saída parcial e uma máscara para a próxima etapa.
Rede de Regressão em Série (SER - Series Regression Network)
Conceito teórico no qual o TabNet se inspira, consistindo em modelar uma previsão complexa como uma série de decisões mais simples, cada uma refinando o resultado final.
Codificação Categórica por Embedding
Técnica de pré-processamento de variáveis categóricas para TabNet, onde cada categoria é mapeada para um vetor denso de baixa dimensão aprendido durante o treinamento, permitindo ao modelo capturar as relações semânticas entre as categorias.
Normalização em Lotes (Batch Normalization)
Camada aplicada nos blocos do TabNet para estabilizar e acelerar o treinamento, normalizando as ativações de cada lote para uma média nula e variância unitária.
Regularização por Esparsidade (Sparsity Regularization)
Técnica utilizada no TabNet para encorajar a máscara de atenção a selecionar apenas um pequeno número de características, promovendo assim modelos mais simples e interpretáveis.
Arquitetura de Profundidade Variável (Variable Depth Architecture)
Propriedade do TabNet onde o número de passos de decisão efetivamente utilizados pode variar para cada amostra, pois o modelo pode aprender a parar quando a informação é suficiente para uma previsão confiável.
Dados Tabulares
Tipo de dados estruturados organizados em linhas e colunas, típicos de planilhas ou bancos de dados relacionais, para os quais o TabNet é especificamente otimizado.
Robustez a Características Ausentes
Capacidade do TabNet de gerenciar eficazmente os valores ausentes nos dados de entrada, aprendendo a mascará-los e a se adaptar a eles sem a necessidade de imputação prévia complexa.
Aprendizado por Reforço para Mascaramento
Perspectiva teórica onde o processo de mascaramento sequencial no TabNet pode ser visto como um processo de decisão, onde o modelo aprende uma política de seleção de características para maximizar uma recompensa de precisão.
Rede Neural Mascarada (Masked Neural Network)
Classe de redes neurais, da qual o TabNet é um exemplo, que utilizam máscaras aprendidas para selecionar dinamicamente subconjuntos de entradas ou neurônios, melhorando a eficiência e a interpretabilidade.