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 K-Shot Learning

K-Shot Learning ist ein Ansatz des maschinellen Lernens, der sich auf Aufgaben mit wenigen Beispielen konzentriert. Es ermöglicht, Modelle mit einer minimalen Anzahl von Proben zu trainieren, sodass sie in der Lage sind, bei neuen Aufgaben gut abzuschneiden. Das 'K' im K-Shot bezieht sich auf die Anzahl der Proben pro Klasse, die von 1 (One-Shot Learning) bis zu 2, 3 usw. variieren kann.

Im traditionellen maschinellen Lernen sind häufig große, gekennzeichnete Datensätze erforderlich, um Modelle zu trainieren. Im Gegensatz dazu nutzt K-Shot Learning vorhandene Daten effizient und reduziert die Abhängigkeit von großen Datensätzen. Diese Technik findet breite Anwendung in Bereichen wie der Bilderkennung und der Verarbeitung natürlicher Sprache, insbesondere in Szenarien, in denen die Datenerfassung kostspielig oder herausfordernd ist.

Der typische Ablauf von K-Shot Learning umfasst zwei Hauptschritte: Zunächst wird das Modell durch Meta-Learning trainiert, um in verschiedenen Aufgaben gut abzuschneiden; anschließend kann das Modell sich schnell an neue Aufgaben mit einer begrenzten Anzahl von Proben anpassen. In Zukunft wird erwartet, dass K-Shot Learning mit anderen Techniken des tiefen Lernens kombiniert wird, um komplexere Aufgaben zu bewältigen.

Ein Vorteil von K-Shot Learning ist die Möglichkeit, effektives Lernen unter Datenknappheit zu ermöglichen, was es für verschiedene reale Anwendungen geeignet macht. Allerdings ist es empfindlich gegenüber der Auswahl von Proben und kann auch bei extrem wenigen Proben zu Überanpassung führen.