TopAIToolsTopAITools

Glossary

0-9
1-shot learning3D convolution5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector9-layer network0-shot learning4D data
A
AGI / Artificial General IntelligenceAttentionAutoencoderAlgorithmArtificial Intelligence (AI)
B
BackpropagationBatch NormalizationBERTBiasBoosting
C
ClusteringCNN / Convolutional Neural NetworkChatbotClassifier / ClassificationCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
EncoderEmbeddingEnsemble LearningEpochExplainable AI (XAI)
F
Foundation ModelFine-tuningFusion / Multimodal FusionFeature ExtractionForward Propagation
G
Graph Neural Network (GNN)GAN / Generative Adversarial NetworkGenerative AIGradient DescentGrounding
H
Hierarchical ModelHyperparameterHidden LayerHallucinationHeuristic
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Kernel TrickKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKnowledge Distillation
L
Learning RateLarge Language Model (LLM)Latent VariableLoss FunctionLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
Objective FunctionOptimizerOne-hot EncodingOnline LearningOverfitting
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQ-learningQuality EstimationQuantizationQueue / Buffer
R
Representation LearningRegularizationReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSequence ModelingSoftmaxSupervised Learning
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Universal Approximation TheoremU-NetUnderfittingUncertainty EstimationUnsupervised Learning
V
Validation SetVanishing / Exploding GradientVariational Autoencoder (VAE)Vector EmbeddingVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZ-score NormalizationZero-shot Learning / Zero-shot inferenceZygosity in augmentation

Was ist 1-shot learning

1-shot learning ist ein Ansatz im maschinellen Lernen, der sich darauf konzentriert, wie man aus nur einer Trainingsprobe effektiv lernen kann. Diese Methode ist besonders nützlich in Szenarien, in denen Daten rar sind, wie z.B. bei der Bildverarbeitung und der Verarbeitung natürlicher Sprache. Anders als traditionelle Deep-Learning-Modelle, die große Datenmengen für das Training benötigen, nutzt 1-shot learning vorheriges Wissen und Transferlernen, um Modellen das Lernen und präzise Vorhersagen aus begrenzten Proben zu ermöglichen.


Die Bedeutung von 1-shot learning liegt in der drastischen Senkung der Kosten für Datensammlung und -annotation, insbesondere in Bereichen wie der medizinischen Bildgebung und der Sicherheitsüberwachung, wo es eine Herausforderung und teuer sein kann, große Mengen an beschrifteten Daten zu erhalten. Durch diesen Lernansatz können Modelle schnell auf neue Aufgaben reagieren und die Trainingszeit sowie den Ressourcenverbrauch minimieren.


Diese Lerntechnik umfasst in der Regel die Generierung von Merkmals-Embeddings und die Verwendung von Distanzmetriken (wie der euklidischen Distanz oder der Kosinusähnlichkeit), um die Ähnlichkeit zwischen neuen Proben und bekannten Proben zu bestimmen. Zu den gängigen Techniken gehören Siamese-Netzwerke, Prototyp-Netzwerke und metrisches Lernen.


Typische Anwendungsfälle sind Gesichtserkennung, Objekterkennung und Spracherkennung. Zum Beispiel muss das System bei der Gesichtserkennung lediglich ein Bild eines neuen Gesichts bereitstellen, um diese Person genau zu identifizieren. In Zukunft wird die Tendenz des 1-shot learning auf eine höhere Genauigkeit und breitere Anwendungsgebiete hinarbeiten, insbesondere im Bereich der Echtzeitverarbeitung und des Online-Lernens.


Allerdings hat 1-shot learning auch seine Beschränkungen. Modelle können sehr empfindlich auf die Auswahl der Proben reagieren, und wenn die Qualität der Proben gering ist, kann das Lernergebnis suboptimal sein. Daher ist es wichtig, bei der Anwendung sorgfältig Proben auszuwählen und die Vielfalt der Daten zu berücksichtigen.