Глоссарий ИИ
Полный словарь искусственного интеллекта
Робастная факторизация матриц
Набор методов матричного разложения, разработанных для устойчивости к выбросам и шуму путем минимизации влияния ошибок данных на оцениваемые латентные факторы.
Робастное сингулярное разложение (rSVD)
Вариант стандартного сингулярного разложения (SVD), использующий устойчивые к выбросам нормы (например, L1-норму) вместо L2-нормы, что позволяет получить более надежную оценку главных компонент при наличии шума.
Робастное неотрицательное матричное разложение (rNMF)
Расширение неотрицательного матричного разложения (NMF), включающее механизмы обнаружения и обработки выбросов, часто с помощью членов регуляризации или специальных функций потерь, для гарантии получения неотрицательных и стабильных факторов.
Метод Хубера в факторизации
Подход, применяющий функцию потерь Хубера (квадратичную для малых ошибок и линейную для больших) к оптимизации факторизации, обеспечивающий компромисс между чувствительностью к шуму и устойчивостью к выбросам.
L1-PCA факторизация
Метод анализа главных компонент, основанный на минимизации L1-нормы, который менее чувствителен к экстремальным точкам, чем традиционно используемая в стандартном PCA L2-норма.
Робастное разложение на основе разреженного представления (RPCA)
Техника, которая разлагает матрицу данных на сумму низкоранговой матрицы (подлежащая структура) и разреженной матрицы (выбросы), тем самым эффективно разделяя сигнал и шум.
Факторизация матриц на основе медианного абсолютного отклонения (MAD)
Робастный метод, использующий медианное абсолютное отклонение в качестве меры разброса для взвешивания ошибок при разложении, что снижает влияние экстремальных наблюдений на итоговую модель.
Робастный алгоритм чередующихся наименьших квадратов (Robust Alternating Least Squares)
Вариант алгоритма чередующихся наименьших квадратов (ALS), в котором функция потерь модифицирована для снижения чувствительности к выбросам, часто путем замены метода наименьших квадратов на робастные критерии при попеременном обновлении факторов.
Робастная факторизация по квантилям
Подход, который оптимизирует факторизацию, основываясь на квантилях остатков, а не на их среднем значении, что делает процесс оценки нечувствительным к определенной доле поврежденных данных.
Робастное разложение на латентные факторы
Моделирование, которое извлекает латентные переменные (факторы) из матрицы данных, одновременно ослабляя влияние зашумленных или аномальных наблюдений для более точного представления внутренней структуры данных.
Матричная факторизация с весами робастности
Техника, которая присваивает вес каждому элементу матрицы в зависимости от вероятности того, что он является выбросом; эти веса затем используются для минимизации влияния ненадежных данных в процессе разложения.
Метод RANSAC в факторизации
Применение метода консенсуса случайных выборок (RANSAC) к факторизации, при котором модель итеративно оценивается на основе случайных подвыборок данных, а для построения итоговой устойчивой модели сохраняются только инлайеры (согласованные данные).
Факторизация по норме L2,1
Метод, минимизирующий L2,1-норму матрицы ошибок (сумма L2-норм строк), что делает его особенно устойчивым к выбросам, структурированным по строкам или столбцам в матрице данных.
Робастное усеченное разложение (Robastnoye Truncated SVD)
Устойчивая версия усеченного сингулярного разложения (SVD), которая перед сохранением k наибольших сингулярных значений применяет процедуру очистки или взвешивания для ослабления влияния шума и экстремальных точек на сохраняемые компоненты.
Матричная факторизация со смесевой моделью шума
Усовершенствованный подход, который явно моделирует шум как смесь распределений (например, гауссово распределение для шума и более широкое для выбросов), обеспечивая более точное разделение и более стабильную факторизацию.