Espacio latente
From Wikipedia, the free encyclopedia
El espacio latente, también llamado campo latente, es una incrustación de un conjunto de elementos dentro de una variedad matemática en la que los objetos similares aparecen próximos entre sí. La posición de cada elemento se describe mediante variables latentes que capturan sus similitudes.
En la práctica, la dimensionalidad del espacio latente se elige más pequeña que la del Espacio de características original, convirtiéndolo en un caso de reducción de dimensionalidad y, por extensión, de compresión de datos.[1] Los espacios latentes se aprenden con técnicas de aprendizaje automático y son aprovechados por clasificadores, predictores y modelos generativos.
Modelos de incrustación
Diversos enfoques aprenden representaciones en el espacio latente a partir de datos de alta dimensión y una medida de similitud:
- Word2Vec – redes neuronales shallow que capturan relaciones semánticas y sintácticas.[3]
- GloVe – combina coocurrencia global y contexto local para obtener vectores densos estables.[4]
- Redes siamesas – dos (o más) subredes idénticas \(f(\cdot)\) procesan entradas distintas y comparten pesos.
- Contrastive loss: minimiza para pares positivos y fuerza un margen \(m\) para negativos.
- Triplet loss: ordena ancla, positivo y negativo para fijar relaciones de distancia.[5]
- Aplicaciones: verificación facial, comparación de imágenes, sistemas de recomendación.
- Autocodificadores variacionales (VAE) – modelos generativos que aprenden simultáneamente codificador, decodificador y una distribución latente regularizada por divergencia KL.[6]
