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 Jittering

Jittering bezieht sich auf die Variabilität der Zeitverzögerung beim Übertragen von Datenpaketen über ein Netzwerk. Es ist ein entscheidender Faktor in Echtzeitanwendungen wie Videokonferenzen, Online-Spielen und Streaming-Diensten. Hoher Jitter kann zu einer schlechten Audio- und Videoqualität führen, was die Benutzererfahrung negativ beeinflusst.

Jitter wird hauptsächlich durch Netzwerküberlastung, Latenz und Paketverlust verursacht. Verbindungen mit hohen Jitter-Werten führen häufig dazu, dass Pakete in der falschen Reihenfolge ankommen oder verzögert werden, was den Kommunikationsfluss erheblich stören kann. Um Jitter zu mindern, können verschiedene Werkzeuge und Techniken eingesetzt werden, einschließlich Quality of Service (QoS)-Richtlinien und Netzwerkoptimierungsgeräte.

Mit der fortschreitenden Entwicklung von Internetanwendungen, insbesondere mit dem Aufkommen von Virtual-Reality- und Augmented-Reality-Technologien, werden die Auswirkungen von Jitter immer bedeutender. Daher ist es für Netzwerkingenieure und Entwickler von entscheidender Bedeutung, Jitter effektiv zu verwalten und zu reduzieren.