Глоссарий ИИ
Полный словарь искусственного интеллекта
Многовидовый кокластеринг
Метод, который одновременно выполняет кластеризацию экземпляров и признаков в нескольких видах для обнаружения общих скрытых структур. Он совместно оптимизирует матрицы разделения для каждого вида, сохраняя при этом согласованность между видами.
Многовидовый спектральный кластеринг
Расширение спектрального кластеринга, которое объединяет лапласианы графов из нескольких видов для захвата структуры многообразия данных с множественными представлениями. Подход объединяет спектральные пространства перед применением k-средних к объединённым собственным векторам.
Многовидовый кластеринг NMF
Техника, основанная на неотрицательной матричной факторизации, которая совместно разлагает матрицы данных нескольких видов для совместного использования общей базы факторов. Этот метод обеспечивает согласованность между видами, сохраняя при этом особенности каждого представления.
Кластеринг на основе представления
Подход, который изучает общее компактное представление из нескольких видов перед выполнением кластеризации в этом общем пространстве. Он использует автоэнкодеры или проекционные техники для согласования различных перспектив.
Кластеринг с множественными ядрами
Метод, который объединяет несколько ядер (одно для каждого вида) для построения унифицированного ядра, захватывающего многоперспективные сходства данных. Оптимизация весов каждого ядра позволяет адаптировать относительную важность видов.
Многовидовый кластеринг на основе графов
Техника, которая строит и объединяет несколько графов сходства (один для каждого вида) для обнаружения общей структуры сообщества. Она использует теорию графов и методы разрезов для оптимизации согласованности между видами.
Кластеринг CCA
Подход, основанный на каноническом корреляционном анализе, который проецирует виды в общее пространство, максимизирующее корреляцию между видами перед кластеризацией. Он особенно эффективен для видов высокой размерности с линейными структурами.
Многовидовый иерархический кластеринг
Расширение иерархического кластеринга, которое интегрирует информацию из нескольких видов на каждом этапе слияния или разделения кластеров. Он строит дендрограмму на основе взвешенных или консенсусных многовидовых расстояний.
Полууправляемый многовидовый кластерный анализ
Метод, который объединяет немаркированные данные из нескольких представлений с ограничениями или априорными знаниями для направления кластеризации. Он использует связи must-link/cannot-link или частичные метки для улучшения качества разделения.
Кластерный анализ с многовидовой дивергенцией
Техника, которая минимизирует дивергенцию между распределениями кластеров в различных представлениях для обеспечения согласованности между перспективами. Она использует метрики, такие как KL-дивергенция или JS-дивергенция, для количественной оценки выравнивания структур.
Кластерный анализ с выравниванием многообразий
Метод, который выравнивает структуры многообразий различных представлений в общем пространстве перед выполнением кластеризации. Он сохраняет локальную геометрию внутри каждого представления, устанавливая при этом согласованные соответствия между представлениями.
Кластерный анализ с межпредставленной схожестью
Техника, которая напрямую использует матрицы схожести между представлениями для направления процесса кластеризации. Она усиливает кластеры, которые демонстрируют согласованные паттерны через различные перспективы данных.
Взвешенный многовидовый кластерный анализ
Подход, который автоматически изучает оптимальные веса каждого представления в процессе кластеризации. Он динамически адаптирует важность представлений в зависимости от их качества и релевантности для структуры кластеров.
Частичный многовидовый кластерный анализ
Устойчивый метод, способный обрабатывать данные, где некоторые экземпляры отсутствуют в определенных представлениях. Он использует техники импутации или неполного обучения для эффективного использования доступной информации.
Кластерный анализ с поздним слиянием
Стратегия, которая выполняет кластеризацию независимо на каждом представлении, а затем объединяет результаты по консенсусу. Этот подход является гибким и позволяет комбинировать различные алгоритмы кластеризации, адаптированные к каждому конкретному представлению.