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 Joint Embedding

Joint Embedding ist eine Technik, die im maschinellen Lernen und im Deep Learning verwendet wird, um verschiedene Datentypen wie Text, Bilder und Audiodaten in denselben Vektorraum einzubetten. Diese Methode konzentriert sich darauf, die Leistung von Modellen bei multimodalen Aufgaben zu verbessern, indem eine gemeinsame Repräsentation gelernt wird.

Durch das Training eines neuronalen Netzwerks lernt Joint Embedding, verschiedene Datenquellen in einen gemeinsamen Vektorraum zu mappen. In diesem Raum werden ähnliche Eingaben auf nahegelegene Punkte abgebildet, was für Aufgaben, die die Verarbeitung mehrerer Eingabetypen erfordern, wie z.B. Bildunterschriftenerstellung und Videoverständnis, unerlässlich ist.

Ein Beispiel für Joint Embedding von Bildern und Texten ist, dass ein Modell Bildmerkmale und Textbeschreibungen in denselben Raum abbilden kann, wodurch eine Bildsuche basierend auf textlichen Beschreibungen ermöglicht wird. Mit dem Aufkommen des multimodalen Lernens wird erwartet, dass Joint Embedding breitere Anwendungen in der erweiterten Realität und virtuellen Realität findet.

Obwohl Joint Embedding Vorteile wie verbesserte Leistung und Effizienz für multimodale Aufgaben bietet, kann es auch Herausforderungen wie die rechnerische Komplexität während des Trainings und die Notwendigkeit umfangreicher Datensätze mit sich bringen. Eine geeignete Datenvorverarbeitung und die Auswahl des Modells sind entscheidend für eine erfolgreiche Implementierung.