Glossário IA
O dicionário completo da Inteligência Artificial
SVM de Múltiplos Núcleos
Variante das Máquinas de Vetores de Suporte que combina múltiplas funções de núcleo, frequentemente ponderadas, para melhorar a separação dos dados, capturando simultaneamente diferentes estruturas ou escalas de características.
Combinação Linear de Núcleos
Método de agregação de núcleos onde o núcleo final é uma soma ponderada de núcleos base, permitindo fundir as suas respetivas representações no espaço de características implícito.
Núcleo Multiplicativo
Função de núcleo construída pelo produto de vários núcleos, favorecendo a interseção das características e reforçando a similaridade apenas quando os componentes individuais são simultaneamente semelhantes.
Aprendizagem dos Pesos dos Núcleos
Processo de otimização que determina automaticamente os coeficientes de ponderação ótimos para cada núcleo numa combinação, geralmente integrado na função de custo da SVM.
MKL (Multiple Kernel Learning)
Estrutura algorítmica que aprende simultaneamente o classificador SVM e a combinação ótima de núcleos, tratando os pesos dos núcleos como parâmetros adicionais a otimizar.
Núcleo Heterogéneo
Núcleo concebido para operar em dados de diferentes tipos (numéricos, categóricos, textuais) combinando núcleos específicos para cada tipo de vista ou modalidade de dados.
Método de Blocos Coordenados
Algoritmo de otimização alternada utilizado em MKL, que atualiza sequencialmente os pesos dos núcleos e os parâmetros do classificador, fixando uns para otimizar os outros, garantindo a convergência.
Regularização de Núcleo
Técnica de controlo da complexidade do modelo em SVMs de múltiplos núcleos, que penaliza os pesos de núcleos excessivos para evitar o sobreajuste e favorecer combinações parcimoniosas.
Kernel de Largura de Banda Variável
Função de kernel (frequentemente RBF) cujo parâmetro de largura é adaptado localmente ou de acordo com as dimensões, frequentemente usado em combinações para gerenciar múltiplas escalas de características.
Seleção Automática de Kernel
Processo integrado no MKL que identifica o subconjunto mais relevante de kernels a partir de uma base de candidatos, eliminando kernels redundantes ou não informativos através de seus pesos aprendidos.
Kernel de Similaridade Semântica
Tipo de kernel especializado que codifica relações de sentido entre entidades (palavras, conceitos), frequentemente combinado com kernels estruturais em aplicações de processamento de linguagem natural.
Matriz de Gram Combinada
Matriz de similaridade final em uma SVM de múltiplos kernels, obtida pela combinação ponderada das matrizes de Gram individuais de cada kernel, servindo de base para a otimização do classificador.
Kernel de Difusão
Kernel baseado na teoria dos grafos que captura a similaridade de difusão entre os nós, frequentemente integrado em combinações para enriquecer a representação com informações topológicas.
Otimização Semidefinida Positiva (SDP)
Classe de problemas de otimização convexa usada para aprender os pesos de kernels sob a restrição de que a matriz de kernel combinada permaneça semidefinida positiva, garantindo a validade matemática do modelo.
Kernel Baseado em Funções
Abordagem onde o kernel combinado é definido como uma soma ponderada de funções de base predefinidas, permitindo uma interpretação clara da contribuição de cada tipo de similaridade para o modelo final.
Co-aprendizagem de Kernels
Estratégia onde múltiplos kernels são aprendidos conjuntamente, treinando-se mutuamente, cada um se especializando em uma subparte dos dados para melhorar o desempenho global da combinação.
Validação Cruzada de Múltiplos Núcleos
Método de avaliação específico para modelos MKL onde a seleção de hiperparâmetros inclui não apenas os parâmetros da SVM, mas também a configuração e os pesos da combinação de núcleos.