AI 詞彙表
人工智能完整詞典
200
類別
2,608
子類別
30,011
術語
術語
在线矩阵分解 (OMF)
一系列将矩阵分解为低秩因子的技术，以顺序方式进行，随着新数据的到来更新因子，无需完全重新训练。
術語
用于OMF的随机梯度下降 (SGD)
迭代优化算法，使用在单个样本（或小批量）上计算的损失函数梯度来更新矩阵因子，非常适合数据流。
術語
增量SVD
奇异值分解的变体，更新现有的奇异向量和奇异值以纳入新的数据列或行，无需从头重新计算。
術語
投影近似子空间跟踪 (PAST)
递归算法，实时跟踪协方差矩阵的主特征向量所张成的子空间，通过最小化最小二乘成本函数实现。
術語
指数遗忘
在更新过程中给予近期观测比旧观测更多权重的机制，使模型能够适应数据分布的变化（概念漂移）。
術語
流式推荐系统
使用在线矩阵分解从新交互中持续更新用户和物品配置文件的推荐系统，确保实时提供相关建议。
術語
递归最小二乘法 (RLS)
自适应算法，以递归方式最小化加权最小二乘成本函数，以比SGD更高的计算复杂度为代价提供快速收敛。
術語
块更新
矩阵因子不为每个新数据更新，而是在积累一批观测后进行更新的策略，在响应性和计算效率之间提供折衷。
術語
在线非负矩阵分解
一种在线矩阵分解的变体，对因子施加非负约束，产生可加性和可解释的分解，常用于文本或图像分析。
術語
在线损失函数
基于新观测值计算的误差度量，用于指导因子更新，通常是均方误差或某种散度（例如：用于计数数据的KL散度）。
術語
对异常数据的鲁棒性
在线分解算法在数据流中存在噪声或错误观测时性能不会显著下降的能力，通常通过鲁棒损失函数实现。
術語
单样本复杂度
使用单个新观测值更新矩阵因子所需的计算成本（时间和内存）的度量，是评估在线算法可扩展性的关键标准。
術語
冷启动
在线分解面临的挑战，模型在积累足够数据来可靠估计新用户或项目潜在因子之前就必须提供预测。
術語
Oja算法
用于在线计算协方差矩阵主特征向量的简单随机算法，是实时子空间跟踪的基础。
🔍