Glossário IA
O dicionário completo da Inteligência Artificial
MCMC (Monte Carlo via Cadeias de Markov)
Classe de algoritmos de amostragem que constroem uma cadeia de Markov tendo a distribuição posterior como distribuição estacionária para realizar inferência aproximada em modelos gráficos complexos.
Algoritmo de Metropolis-Hastings
Algoritmo MCMC geral que utiliza uma distribuição proposta para gerar novos estados e aceita/rejeita essas propostas de acordo com um critério de probabilidade que garante a convergência para a distribuição alvo.
Burn-in (Período de Aquecimento)
Período inicial de amostragem MCMC durante o qual as amostras são ignoradas porque a cadeia ainda não atingiu sua distribuição estacionária, eliminando a influência do estado inicial.
Tempo de Mistura (Mixing Time)
Número de iterações necessárias para que uma cadeia de Markov se aproxime suficientemente de sua distribuição estacionária, medindo a rapidez de convergência dos algoritmos MCMC.
Amostragem por Rejeição
Técnica de amostragem direta que gera candidatos a partir de uma distribuição envolvente e os aceita com uma probabilidade proporcional à razão das densidades alvo/envolvente.
Amostragem por Importância
Método Monte Carlo que utiliza pesos de importância para corrigir o viés introduzido pela amostragem a partir de uma distribuição proposta diferente da distribuição alvo.
Monte Carlo Sequencial
Conjunto de algoritmos (filtros de partículas) para inferência em modelos sequenciais, utilizando conjuntos de partículas ponderadas para aproximar as distribuições sequenciais.
Hamiltonian Monte Carlo
Variante MCMC avançada que utiliza a mecânica hamiltoniana para propor estados distantes com alta probabilidade de aceitação, reduzindo a autocorrelação das amostras.
Diagnóstico de Gelman-Rubin
Método estatístico que avalia a convergência de cadeias MCMC comparando a variância intra-cadeia e inter-cadeia, com um valor próximo de 1 indicando convergência.
Desbaste (Thinning)
Técnica que consiste em reter apenas um subconjunto das amostras MCMC para reduzir a autocorrelação e o armazenamento, tipicamente mantendo cada k-ésima amostra.
Inferência por Evidência Aproximada
Métodos para estimar a verossimilhança marginal (evidência) em modelos gráficos, essenciais para a seleção de modelos e o cálculo bayesiano.
Amostragem por Fatias (Slice Sampling)
Técnica MCMC que introduz variáveis auxiliares para simplificar a amostragem de distribuições complexas, particularmente útil para distribuições multimodais.
Variante de Blackwell-MacQueen
Algoritmo de amostragem sequencial para processos de Dirichlet, gerando amostras de acordo com a distribuição preditiva de Blackwell-MacQueen.
Amostragem Antitética
Técnica de redução de variância que utiliza pares de amostras negativamente correlacionadas para melhorar a eficiência da estimação Monte Carlo.