Глоссарий ИИ
Полный словарь искусственного интеллекта
Кластеризация консенсуса
Метод агрегации результатов нескольких алгоритмов кластеризации, применяемых к разным представлениям, для создания окончательного устойчивого и стабильного разбиения. Консенсус достигается путем объединения матриц ко-ассоциации или меток кластеризации из каждого отдельного представления.
Объединение представлений
Процесс интеграции информации из нескольких представлений данных для создания унифицированного или обогащенного представления. Объединение может быть выполнено на уровне признаков, решений или моделей в зависимости от принятой стратегии агрегации.
Многовидовое обучение представлений
Парадигма машинного обучения, направленная на изучение общих или дополнительных латентных представлений из множественных перспектив данных. Эти представления захватывают существенную информацию, устраняя избыточность и шум, специфичные для каждого представления.
Многовидовой спектральный кластерный анализ
Расширение спектрального кластеризации на многовидовые данные, которое строит объединенную матрицу сходства из всех представлений перед применением спектрального разложения. Этот метод превосходно справляется с обнаружением нелинейных структур и сложных форм в многопредставленческих данных.
Ограниченный многовидовой кластерный анализ
Подход, интегрирующий ограничения предметной области или априорные знания в процесс многовидового кластеризации для направленного формирования кластеров. Ограничения могут быть типа must-link или cannot-link и распространяются между различными представлениями для обеспечения согласованности.
Многовидовой алгоритм K-мод
Адаптация алгоритма K-means для многовидовых категориальных данных, использующая моду в качестве центра кластера вместо среднего. Этот метод одновременно оптимизирует категориальные несходства во всех представлениях для формирования согласованных кластеров.
Многовидовой иерархический кластерный анализ
Метод кластеризации, строящий иерархию кластеров путем интеграции информации из нескольких представлений на каждом уровне агрегации. Алгоритм использует комбинированные или взвешенные метрики расстояния для оценки сходства между кластерами в различных представлениях.
Матрица ко-ассоциации
Квадратная матрица, где каждый элемент указывает частоту, с которой два образца группируются вместе в различных кластеризациях многовидовых данных. Эта матрица служит основой для методов консенсусной кластеризации и отражает стабильность отношений между образцами.
Расхождение Взглядов
Метрика, количественно оценивающая расхождения или структурные различия между кластеризациями, полученными на разных представлениях (взглядах) одних и тех же данных. Умеренное расхождение часто бывает полезным, так как оно указывает на информативную дополняемость между перспективами.
Дополняемость Взглядов
Фундаментальный принцип в многовзглядном кластерном анализе, согласно которому разные представления могут улавливать различные и взаимодополняющие аспекты структуры данных. Эта дополняемость используется для повышения робастности и точности итоговой кластеризации.
Веса Взглядов
Параметры, количественно определяющие относительную важность каждого взгляда в процессе многовзглядного кластерного анализа, часто оптимизируемые автоматически. Эти веса позволяют придать большее влияние наиболее информативным взглядам, одновременно штрафуя те, что содержат шум.
Полуправляемое Многовзглядное Кластеризирование
Гибридный подход, сочетающий многовзглядное кластеризирование с ограниченным количеством известных меток для направления процесса группировки. Контролируемая информация распространяется через взгляды для улучшения согласованности и релевантности формируемых кластеров.
Согласование Взглядов
Процесс сопоставления структур или паттернов между разными взглядами для выявления непротиворечивых соответствий. Согласование позволяет выявить общие латентные отношения и установить мосты между гетерогенными представлениями.
Многовзглядное Ядерное Кластеризирование
Расширение методов ядерного кластеризирования на многовзглядный контекст, использующее комбинированные ядерные функции для отображения данных в пространства более высокой размерности. Этот подход эффективно улавливает нелинейные отношения между взглядами, сохраняя при этом их дополняемость.
Многовзглядное Кластеризирование на Основе Графов
Метод, строящий и объединяющий несколько графов схожести (по одному для каждого взгляда) перед применением алгоритмов разбиения графа. Этот подход эффективно улавливает локальные и глобальные структуры окрестностей через различные перспективы.
Многовзглядная Перекрёстная Проверка
Техника надёжной оценки для алгоритмов многовзглядного кластеризирования, тестирующая стабильность результатов при различных конфигурациях взглядов. Эта проверка измеряет внутреннюю согласованность и чувствительность кластеризации к изменениям в представлениях.