Glossary

0-9

1-shot learning 3D convolution 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 9-layer network 0-shot learning 4D data

A

AGI / Artificial General Intelligence Attention Autoencoder Algorithm Artificial Intelligence (AI)

B

Backpropagation Batch Normalization BERT Bias Boosting

C

Clustering CNN / Convolutional Neural Network Chatbot Classifier / Classification Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Encoder Embedding Ensemble Learning Epoch Explainable AI (XAI)

F

Foundation Model Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation

G

Graph Neural Network (GNN)GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding

H

Hierarchical Model Hyperparameter Hidden Layer Hallucination Heuristic

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Knowledge Distillation

L

Learning Rate Large Language Model (LLM)Latent Variable Loss Function LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Objective Function Optimizer One-hot Encoding Online Learning Overfitting

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Q-learning Quality Estimation Quantization Queue / Buffer

R

Representation Learning Regularization Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Sequence Modeling Softmax Supervised Learning

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Universal Approximation Theorem U-Net Underfitting Uncertainty Estimation Unsupervised Learning

V

Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)Vector Embedding Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Z-score Normalization Zero-shot Learning / Zero-shot inference Zygosity in augmentation

Was ist ein Graph Neural Network (GNN)

Graph Neural Networks (GNNs) sind eine Klasse von neuronalen Netzwerken, die entwickelt wurden, um Daten zu verarbeiten, die als Graphen dargestellt werden. Im Gegensatz zu traditionellen neuronalen Netzwerken sind GNNs in der Lage, die Beziehungen und strukturellen Informationen zwischen den Knoten eines Graphen effektiv zu erfassen. Diese Fähigkeit macht sie besonders nützlich in Bereichen wie der Analyse sozialer Netzwerke, Empfehlungssystemen und der Vorhersage chemischer Molekularstrukturen.

Die Definition von GNNs ergibt sich aus dem Bedarf, Graphdaten zu verarbeiten, die in vielen Bereichen verbreitet sind. Traditionelle neuronale Netzwerke haben oft Schwierigkeiten, solche Daten direkt zu verarbeiten. GNNs funktionieren, indem sie Informationen von Knoten aggregieren und verbreiten, sodass jeder Knoten Informationen von seinen Nachbarknoten integrieren kann, was das Verständnis der Gesamtstruktur des Graphen verbessert. Durch das Stapeln mehrerer Schichten neuronaler Netzwerke können GNNs schrittweise höhere Merkmale extrahieren.

In Bezug auf die Bedeutung haben GNNs bemerkenswerte Ergebnisse in mehreren Bereichen erzielt, insbesondere in Wissensgraphen und Bildsegmentierung. Darüber hinaus sind die Anwendungsperspektiven von GNNs mit dem Aufkommen von Big Data und komplexen Netzwerken breit gefächert und könnten in Zukunft eine größere Rolle im intelligenten Verkehr und bei der Finanzrisikobewertung spielen.

Die Verwendung von GNNs bringt jedoch auch einige Herausforderungen mit sich, wie hohe Rechenkomplexität und Schwierigkeiten beim Training des Modells. Daher ist es wichtig, diese Faktoren in der Praxis zu berücksichtigen und eine angemessene Modellauswahl und -optimierung vorzunehmen.