Glossário IA
O dicionário completo da Inteligência Artificial
TimeGAN
Arquitetura de GAN especificamente projetada para gerar séries temporais realistas, capturando as dependências temporais e as complexas distribuições multidimensionais dos dados sequenciais.
Autoencoder Variacional Temporal
Modelo generativo que aprende uma representação latente contínua de séries temporais e pode gerar novas séries amostrando a partir desse espaço latente, preservando a estrutura temporal.
Jittering Temporal
Técnica de aumento que adiciona ruído gaussiano aos pontos temporais para simular variações de medição e melhorar a robustez do modelo diante das incertezas temporais.
Time Warping
Método de deformação temporal que modifica ligeiramente a velocidade de evolução da série temporal para criar variações, preservando os padrões fundamentais e as características globais.
SMOTE Temporal
Adaptação do algoritmo SMOTE para séries temporais que gera amostras sintéticas interpolando entre pontos temporais vizinhos, respeitando a continuidade temporal e as restrições sequenciais.
Difusão Temporal
Abordagem generativa que aplica progressivamente ruído às séries temporais e depois aprende a inverter esse processo para gerar novas séries realistas com características temporais coerentes.
Window Slicing
Método de aumento que extrai subjanelas temporais de diferentes tamanhos e posições das séries originais para aumentar a diversidade dos dados de treinamento, preservando os padrões locais.
Mixup Temporal
Estratégia de regularização que combina linearmente duas séries temporais com um coeficiente de mistura aleatório para criar novas amostras sintéticas, mantendo a coerência temporal das sequências.
Ondas Sintéticas
Técnica de geração que utiliza a decomposição em ondas para criar novas séries temporais recombinando diferentes coeficientes de ondas com parâmetros ajustáveis para controlar as características de frequência e temporais.
GAN Recorrente
Arquitetura GAN que integra redes recorrentes (LSTM/GRU) no gerador e no discriminador para capturar eficazmente as dependências de longo prazo e os padrões sequenciais nas séries temporais geradas.
Interpolação por Splines
Método de aumento que utiliza funções spline para interpolar entre pontos temporais existentes, criando assim séries suaves e realistas com gradientes contínuos que preservam a dinâmica temporal.
Cópulas Temporais
Abordagem estatística que modela a estrutura de dependência entre diferentes pontos temporais para gerar séries sintéticas que preservam as correlações temporais e as distribuições marginais.
Escalonamento Temporal
Técnica de aumento que multiplica os valores da série temporal por um fator aleatório para simular diferentes amplitudes, mantendo a forma e os padrões temporais fundamentais.
Corte Temporal
Método que seleciona aleatoriamente segmentos contínuos de séries temporais para criar novas sequências mais curtas, aumentando assim a diversidade dos dados e preservando os padrões locais importantes.
GAN Baseado em Transformer
Arquitetura generativa que utiliza mecanismos de atenção Transformer para capturar dependências de longo alcance e relações complexas em séries temporais multivariadas durante a geração sintética.
Aumento por Desruído
Estratégia que adiciona ruído controlado às séries temporais e depois treina um modelo para reconstruir os dados originais, gerando assim versões robustas e ligeiramente variadas das sequências iniciais.
Síntese por Caminhada Aleatória
Método generativo que utiliza processos de caminhada aleatória com parâmetros calibrados em dados existentes para criar séries temporais sintéticas que preservam as propriedades estatísticas básicas.
GAN Condicional Temporal
Variante de GAN que gera séries temporais condicionadas por metadados ou estados iniciais específicos, permitindo um controle preciso sobre as características das sequências geradas.
Autoencoder Preditivo
Modelo que aprende a prever pontos temporais futuros enquanto comprime sequências passadas, permitindo a geração de continuações coerentes de séries temporais existentes.