Glossário IA
O dicionário completo da Inteligência Artificial
Fatoração de Matrizes Robusta
Conjunto de técnicas de decomposição matricial projetadas para resistir a valores atípicos e ruído, minimizando a influência de erros de dados nos fatores latentes estimados.
Decomposição em Valores Singulares Robusta (rSVD)
Variante da SVD padrão que utiliza normas resistentes a valores atípicos (como a norma L1) em vez da norma L2, permitindo uma estimativa mais confiável dos componentes principais na presença de ruído.
Fatoração de Matriz Não-Negativa Robusta (rNMF)
Extensão da NMF que integra mecanismos de detecção e tratamento de valores atípicos, frequentemente através de termos de regularização ou funções de perda específicas, para garantir fatores não-negativos e estáveis.
Método de Huber em Fatoração
Abordagem que aplica a função de perda de Huber, quadrática para pequenos erros e linear para grandes, à otimização da fatoração, oferecendo um compromisso entre sensibilidade ao ruído e robustez a valores atípicos.
Fatoração L1-PCA
Método de análise de componentes principais baseado na minimização da norma L1, que é menos sensível a pontos extremos do que a norma L2 tradicionalmente utilizada no PCA padrão.
Decomposição Robusta por Recuperação Esparsa (RPCA)
Técnica que decompõe uma matriz de dados na soma de uma matriz de baixo posto (estrutura subjacente) e uma matriz esparsa (valores atípicos), isolando assim eficazmente o sinal do ruído.
Fatoração de Matriz por Desvio Absoluto Mediano (MAD)
Método robusto que utiliza o desvio absoluto mediano como medida de dispersão para ponderar os erros durante a decomposição, reduzindo o impacto de observações extremas no modelo final.
Algoritmo de Mínimos Quadrados Alternados Robusto (Robust Alternating Least Squares)
Variante do algoritmo ALS onde a função de perda é modificada para ser menos sensível a valores atípicos, frequentemente substituindo os mínimos quadrados por critérios robustos durante a atualização alternada dos fatores.
Fatorização por Quantil Robusto
Abordagem que otimiza a fatorização baseando-se em quantis dos resíduos em vez de sua média, tornando o processo de estimação insensível a uma certa proporção de dados corrompidos.
Decomposição em Fatores Latentes Robustos
Modelagem que extrai variáveis latentes (fatores) de uma matriz de dados enquanto atenua o efeito de observações ruidosas ou aberrantes, para uma representação mais fiel da estrutura intrínseca dos dados.
Fatorização de Matriz com Pesos de Robustez
Técnica que atribui um peso a cada entrada da matriz com base na sua probabilidade de ser um valor atípico, sendo os pesos subsequentemente usados para minimizar a influência de dados não confiáveis durante a decomposição.
Método RANSAC em Fatorização
Aplicação do consenso de amostras aleatórias (RANSAC) à fatorização, onde o modelo é iterativamente estimado a partir de subconjuntos de dados aleatórios, retendo apenas os inliers (dados consistentes) para construir o modelo final robusto.
Fatorização por Norma L2,1
Método que minimiza a norma L2,1 da matriz de erros (soma das normas L2 das linhas), o que a torna particularmente robusta a valores atípicos estruturados em linhas ou colunas na matriz de dados.
Decomposição Robusta por Truncamento (SVD Truncada Robusta)
Versão robusta da SVD truncada que, antes de reter os k maiores valores singulares, aplica um procedimento de limpeza ou ponderação para atenuar o efeito do ruído e dos pontos extremos nas componentes retidas.
Fatorização de Matriz com Modelo de Mistura de Ruído
Abordagem avançada que modela explicitamente o ruído como uma mistura de distribuições (por exemplo, uma distribuição gaussiana para o ruído e uma mais ampla para os valores atípicos), permitindo uma separação mais fina e uma fatorização mais estável.