Глоссарий ИИ
Полный словарь искусственного интеллекта
SVM à Noyaux Multiples
Variante des Machines à Vecteurs de Support qui combine plusieurs fonctions de noyau, souvent pondérées, pour améliorer la séparation des données en capturant simultanément différentes structures ou échelles de caractéristiques.
Combinaison Linéaire de Noyaux
Méthode d'agrégation de noyaux où le noyau final est une somme pondérée de noyaux de base, permettant de fusionner leurs représentations respectives dans l'espace des caractéristiques implicites.
Noyau Multiplicatif
Fonction de noyau construite par le produit de plusieurs noyaux, favorisant l'intersection des caractéristiques et renforçant la similarité uniquement lorsque les composantes individuelles sont simultanément similaires.
Apprentissage des Poids de Noyaux
Processus d'optimisation qui détermine automatiquement les coefficients de pondération optimaux pour chaque noyau dans une combinaison, généralement intégré dans la fonction de coût de la SVM.
MKL (Multiple Kernel Learning)
Cadre algorithmique qui apprend simultanément le classifieur SVM et la combinaison optimale de noyaux, en traitant les poids de noyaux comme des paramètres supplémentaires à optimiser.
Noyau Hétérogène
Noyau conçu pour opérer sur des données de types différents (numériques, catégorielles, textuelles) en combinant des noyaux spécifiques à chaque type de vue ou de modalité de données.
Méthode de Blocs Coordonnés
Algorithme d'optimisation alterné utilisé en MKL, qui met à jour séquentiellement les poids de noyaux et les paramètres du classifieur en fixant les uns pour optimiser les autres, garantissant la convergence.
Régularisation de Noyau
Technique de contrôle de la complexité du modèle dans les SVM à noyaux multiples, qui pénalise les poids de noyaux excessifs pour éviter le surapprentissage et favoriser des combinaisons parcimonieuses.
Ядро с переменной полосой пропускания
Функция ядра (часто RBF), параметр ширины которой адаптируется локально или по измерениям, часто используется в комбинациях для управления множественными масштабами признаков.
Автоматический выбор ядра
Интегрированный в MKL процесс, который идентифицирует наиболее релевантное подмножество ядер из базы кандидатов, устраняя избыточные или неинформативные ядра через их изученные веса.
Ядро семантического сходства
Специализированный тип ядра, который кодирует смысловые отношения между сущностями (словами, концепциями), часто комбинируется со структурными ядрами в приложениях обработки естественного языка.
Комбинированная матрица Грамма
Финальная матрица сходства в SVM с множественными ядрами, полученная путем взвешенной комбинации индивидуальных матриц Грамма каждого ядра, служащая основой для оптимизации классификатора.
Ядро диффузии
Ядро, основанное на теории графов, которое захватывает сходство диффузии между узлами, часто интегрируется в комбинации для обогащения представления топологической информацией.
Оптимизация положительно полуопределенных матриц (SDP)
Класс задач выпуклой оптимизации, используемый для изучения весов ядер с ограничением, что комбинированная матрица ядра остается положительно полуопределенной, гарантируя математическую достоверность модели.
Ядро на основе функций
Подход, в котором комбинированное ядро определено как взвешенная сумма предопределенных базовых функций, позволяя ясную интерпретацию вклада каждого типа сходства в конечную модель.
Совместное обучение ядер
Стратегия, в которой несколько ядер изучаются совместно, обучаясь друг от друга, каждое специализируясь на подчасти данных для улучшения общей производительности комбинации.
Перекрестная проверка с множественными ядрами
Метод оценки, специфичный для моделей MKL, где выбор гиперпараметров включает не только параметры SVM, но и конфигурацию и веса комбинации ядер.