AI 词汇表
人工智能完整词典
Réseaux Bayésiens Dynamiques
Extension temporelle des réseaux bayésiens statiques modélisant l'évolution des variables aléatoires et leurs dépendances conditionnelles à travers le temps via des transitions markoviennes.
Chaînes de Markov Cachées
Modèles statistiques où le système observé dépend d'états cachés non observables suivant une chaîne de Markov, utilisés pour la reconnaissance de séquences temporelles.
Modèles de Markov Cachés Factoriels
Extension des HMM où plusieurs chaînes de Markov cachées interagissent pour générer les observations, permettant de modéliser des dépendances complexes entre facteurs latents.
Filtre de Particules
Méthode de Monte Carlo séquentielle pour l'estimation d'état dans des systèmes non-linéaires et non-gaussiens, utilisant un ensemble de particules pondérées pour approximer la distribution postérieure.
Modèles de Sujets Dynamiques
Extension des modèles de topics capturent l'évolution temporelle des thèmes dans des corpus textuels, modélisant comment les distributions de mots changent au fil du temps.
Systèmes Dynamiques Hybrides
Modèles combinant variables discrètes et continues dans un cadre temporel, capturant des interactions entre états discrets et évolutions continues dans des systèmes complexes.
Modèles d'État Espace
Framework général pour la modélisation de séries temporelles avec des états latents non observés évoluant selon une équation d'état et générant des observations via une équation d'observation.
Inférence Avant/Après
Algorithmes de calcul des distributions de croyance dans les modèles graphiques dynamiques, combinant propagation avant (filtrage) et arrière (lissage) pour une estimation optimale des états.
Modèles de Changement de Régime
Modèles où les paramètres du système peuvent changer brusquement ou progressivement entre différents régimes comportementaux, capturant des transitions structurelles dans les données.
Processus de Détection de Changement
Algorithmes statistiques pour identifier les points temporels où les propriétés statistiques d'un signal ou d'un système changent significativement, essentiels pour la surveillance en temps réel.
Modèles Graphiques Temporels Hiérarchiques
Structures multi-échelles capturant des dépendances temporelles à différents niveaux d'abstraction, permettant une modélisation efficace de phénomènes complexes avec des dynamiques imbriquées.
Filtres de Bayes
Cadre théorique général pour l'estimation récursive de l'état d'un système dynamique en utilisant le théorème de Bayes, incluant le filtre de Kalman et les filtres particulaires comme cas particuliers.
Modèles de Transition Temporelle
Composantes des modèles graphiques dynamiques spécifiant comment les distributions de probabilité des variables évoluent entre pas temporels successifs, définissant la dynamique du système.
Réseaux d'Influence Temporels
Modèles probabilistes capturant comment les influences causales entre variables se propagent et se modifient au fil du temps, essentiel pour l'analyse de systèmes causaux dynamiques.
Modèles Graphiques Non-Stationnaires
Extensions des modèles graphiques dynamiques où les paramètres et/ou la structure du graphe peuvent changer dans le temps, adaptant le modèle à des évolutions non homogènes.
Apprentissage de Structure Dynamique
Processus d'inférence automatique de la structure optimale d'un modèle graphique dynamique à partir de données temporelles, incluant la découverte de dépendances et de retards temporels.
Lissage de Viterbi
Algorithme pour trouver la séquence d'états cachés la plus probable étant données toutes les observations, généralisant l'algorithme de Viterbi pour l'inférence offline dans les modèles dynamiques.
Modèles de Markov Cachés avec Entrées
Extension des HMM où les transitions d'états dépendent de variables d'entrée externes observées, permettant une modélisation conditionnelle des séquences temporelles.