Glossário IA
O dicionário completo da Inteligência Artificial
N-pair Loss
Generalização da triplet loss que compara um exemplo positivo a N exemplos negativos simultaneamente, melhorando a eficiência de aprendizagem e a estabilidade da convergência. É particularmente eficaz para conjuntos de dados em larga escala.
Angular Loss
Função de perda que otimiza os ângulos entre os vetores de embedding em vez de suas distâncias euclidianas, oferecendo melhor invariância de escala e melhor separação de classes. É particularmente útil para tarefas de reconhecimento facial.
Center Loss
Função de perda que minimiza a distância intra-classe, forçando os embeddings da mesma classe a se aproximarem de seu centro de classe aprendido. É frequentemente combinada com outras perdas discriminativas para melhorar a compacidade dos clusters.
ArcFace Loss
Função de perda aditiva angular que melhora a discriminabilidade dos embeddings adicionando uma margem angular no espaço das hiperesferas. É particularmente eficaz para tarefas de reconhecimento com muitas classes e poucos exemplos.
SphereFace Loss
Função de perda multiplicativa angular que impõe uma restrição angular nos embeddings para melhorar a separabilidade inter-classe. É projetada para aprender embeddings discriminativos em uma hiperesfera unitária.
Proxy-NCA Loss
Variante da Neighborhood Components Analysis que utiliza proxies aprendíveis para representar cada classe, reduzindo a complexidade computacional em comparação com abordagens baseadas em pares. É particularmente eficaz para conjuntos de dados em larga escala.
Deep Metric Learning
Aplicação de redes neurais profundas para aprender funções de distância ou similaridade complexas a partir de dados brutos. Esta abordagem combina o poder de representação das redes profundas com os princípios do metric learning.
Similarity Learning
Paradigma de aprendizagem onde o modelo aprende a avaliar a similaridade entre pares de exemplos em vez de prever diretamente rótulos. Esta abordagem é fundamental para o few-shot learning e sistemas de recomendação.