Глоссарий ИИ
Полный словарь искусственного интеллекта
Acquisition Fonctionnelle en Temps Réel
Stratégie de sélection de points d'évaluation dans l'optimisation bayésienne, conçue pour minimiser la latence de décision en adaptant dynamiquement le critère d'acquisition aux contraintes temporelles.
Modèle Surrogate Incrémental
Modèle de substitution (souvent un processus gaussien) mis à jour de manière incrémentale à chaque nouvelle observation, évitant une ré-entraînement complet pour garantir des performances en temps réel.
Budget Temps-Réel
Contrainte temporelle stricte imposée à chaque itération de l'optimisation bayésenne, limitant le temps alloué à la mise à jour du modèle et au calcul du critère d'acquisition.
Critère d'Acquisition à Faible Coût Calculatoire
Fonction d'acquisition (comme l'amélioration attendue ou la borne supérieure de confiance) simplifiée ou approximée pour réduire drastiquement le temps de calcul, essentielle pour les boucles d'optimisation rapides.
Processus Gaussien en Ligne
Implémentation de processus gaussien où l'inférence et la prédiction sont effectuées en continu au fur et à mesure de l'arrivée des données, sans nécessiter de traitement par lots.
Élagage Dynamique de l'Espace de Recherche
Technique consistant à réduire l'espace des candidats à évaluer à chaque itération en se basant sur les informations accumulées, pour accélérer la sélection du point suivant.
Optimisation Bayésienne en Flux Continu (Streaming BO)
Approche où l'optimisation est effectuée sur un flux de données continu, adaptant le modèle et les décisions d'optimisation en temps réel à mesure que de nouvelles informations arrivent.
Méta-Apprentissage pour l'Accélération de la BO
Utilisation de méta-apprentissage pour initialiser rapidement le modèle surrogate avec des connaissances issues de tâches d'optimisation passées, réduisant ainsi le nombre d'itérations nécessaires en temps réel.
Parallélisme de Données pour la BO Temps Réel
Stratégie de parallélisation où les calculs liés au modèle surrogate (ex: prédictions sur un ensemble de points candidats) sont distribués pour respecter les délais stricts.
Fenêtre Glissante d'Observations
Méthode où seul un sous-ensemble récent des observations est conservé pour la mise à jour du modèle, limitant la complexité calculatoire pour garantir des performances constantes en temps réel.
Optimisation Bayésienne Épisodique
Cadre où l'optimisation est décomposée en épisodes temporels courts, chacun avec son propre modèle surrogate, permettant des réinitialisations fréquentes pour s'adapter à des environnements dynamiques.
Approximation par Moindres Carrés Aléatoires pour la BO
Technique d'approximation du noyau dans les processus gaussiens utilisant des features aléatoires pour réduire la complexité de l'inversion de matrice de O(n^3) à O(n*m), où m << n.
Prédiction en Temps Constant
Objectif des implémentations de BO en temps réel où la latence pour prédire la moyenne et la variance du modèle surrogate pour un nouveau point est garantie d'être inférieure à un seuil fixe.
Système de Contrôle en Boucle Fermée avec BO
Application de l'optimisation bayésienne en temps réel comme composant d'un système de contrôle, où les actions sont continuellement ajustées en se basant sur les prédictions du modèle pour optimiser une performance.
Optimisation Active en Temps Réel
Processus où l'algorithme d'optimisation bayésienne décide non seulement du point suivant à évaluer, mais aussi du moment opportun pour effectuer cette évaluation afin de maximiser l'information acquise sous contrainte de temps.
Modèle Surrogat Épars
Utilisation de modèles de substitution (comme les processus gaussiens parcimonieux ou les processus gaussiens à inducing points) qui exploitent la structure creuse des données pour des mises à jour et des prédictions rapides.
Критерий немиопного приобретения
Критерий, который оценивает потенциал точки на несколько шагов вперёд, часто аппроксимируемый для вычисления в реальном времени, чтобы принимать более надёжные решения, чем миопные критерии.