Глоссарий ИИ
Полный словарь искусственного интеллекта
Hybrid Bagging-Boosting
Approche combinant le bagging pour réduire la variance et le boosting pour réduire le biais, créant ainsi des ensembles plus robustes. Cette hybridation permet de tirer profit des forces complémentaires des deux méthodes pour améliorer la stabilité et la précision des prédictions.
Deep Ensemble
Méthode d'ensemble appliquée aux réseaux de neurones profonds où plusieurs modèles avec différentes initialisations ou architectures sont entraînés indépendamment. Cette technique améliore la robustesse des prévisions et quantifie l'incertitude du modèle de manière efficace.
Mixture of Experts
Architecture d'ensemble où plusieurs réseaux experts spécialisés sont combinés par un réseau de gating qui apprend à pondérer leurs contributions. Cette approche permet une division automatique du problème en sous-tâches gérées par des modèles spécialisés, optimisant ainsi les performances globales.
Neural Boosting
Technique de boosting où les apprenants faibles sont des réseaux de neurones peu profonds, combinés itérativement pour former un modèle puissant. Cette approche tire parti de la capacité d'approximation universelle des réseaux de neurones tout en bénéficiant des propriétés de réduction du biais du boosting.
Cascade Correlation
Architecture d'ensemble où les neurones sont ajoutés séquentiellement au réseau et entraînés pour maximiser la corrélation avec l'erreur résiduelle. Cette méthode constructive crée automatiquement une architecture optimale adaptée au problème spécifique.
Evolutionary Ensemble
Approche utilisant des algorithmes évolutionnistes pour sélectionner et optimiser automatiquement la composition d'un ensemble de modèles. Cette méthode permet de découvrir des combinaisons de modèles non intuitives mais hautement performantes.
Fuzzy Ensemble
Méthode d'ensemble intégrant la logique floue pour combiner les prédictions de plusieurs modèles en gérant l'incertitude et l'imprécision. Cette approche permet une fusion plus souple des décisions des modèles de base, particulièrement utile dans des environnements bruités.
Bayesian Model Averaging
Technique d'ensemble pondérant les modèles selon leur probabilité a posteriori dans un cadre bayésien pour tenir compte de l'incertitude du modèle. Cette approche fournit des prédictions probabilistes bien calibrées en intégrant naturellement la complexité du modèle.
Обучение с несколькими представлениями
Парадигма обучения, в которой используются различные представления или взгляды на данные для построения дополнительных наборов. Этот метод использует разнообразие перспектив данных для улучшения устойчивости и обобщения итоговой модели.
Нейронные сети с градиентным бустингом
Гибридизация, сочетающая алгоритм градиентного бустинга с нейронными сетями в качестве базовых обучающихся элементов. Этот подход позволяет захватывать сложные нелинейные отношения, извлекая пользу из теоретической сходимости градиентного бустинга.
Ансамбль случайных подпространств
Метод ансамбля, в котором каждая базовая модель обучается на случайном подмножестве признаков, объединяя беггинг и выбор признаков. Эта техника улучшает разнообразие моделей и снижает размерность, особенно эффективна для данных высокой размерности.
Адаптивный выбор ансамбля
Динамический подход, автоматически выбирающий наиболее релевантные модели для каждого нового экземпляра для прогнозирования. Этот метод обеспечивает тонкую адаптацию к различным областям пространства данных, используя локальные специализации моделей.
Стекированные шумоподавляющие автоэнкодеры
Архитектура глубокого обучения, объединяющая шумоподавляющие автоэнкодеры каскадом для робастного обучения представлений. Этот метод неуправляемого ансамбля эффективно предварительно обучает глубокие сети перед уточнением с учителем.
Ансамбль поиска нейронных архитектур
Гибридный подход, использующий алгоритмы поиска архитектур для обнаружения и автоматического объединения нескольких оптимальных архитектур. Этот метод создает ансамбли взаимодополняющих архитектур, специально адаптированных к рассматриваемой проблеме.
Гибридный сверточный ансамбль
Техника, объединяющая различные типы сверточных сетей (классические CNN, остаточные, с вниманием) для анализа изображений или последовательностей. Этот подход использует сильные стороны каждой архитектуры для лучшего извлечения признаков.
Динамическое взвешенное голосование
Метод ансамбля, где веса базовых моделей динамически настраиваются в соответствии с характеристиками каждого экземпляра для прогнозирования. Этот подход позволяет контекстуальное объединение прогнозов, оптимизируя производительность для каждого конкретного случая.