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 Neuheitsdetektion / Anomaliedetektion

Neuheitsdetektion und Anomaliedetektion sind Techniken des maschinellen Lernens, die verwendet werden, um Datenpunkte zu identifizieren, die signifikant von erwarteten Mustern abweichen. Sie spielen eine entscheidende Rolle in verschiedenen Anwendungen wie der Betrugserkennung, der Netzwerksicherheit, der medizinischen Diagnose und der industriellen Überwachung.

Technisch gesehen bezieht sich die Neuheitsdetektion auf die Erkennung neuer, unbeschrifteter Proben im Kontext bekannter normaler Daten, während die Anomaliedetektion sich auf die Identifizierung abnormaler Datenpunkte konzentriert, die von normalen Verhaltensmustern abweichen. Der Hauptunterschied liegt darin, dass die Neuheitsdetektion sich mit ungesehenen normalen Daten beschäftigt, während die Anomaliedetektion auf beschrifteten Daten basiert.

Die Auswirkungen dieser Techniken sind tiefgreifend, da sie es Organisationen ermöglichen, potenzielle Risiken und Probleme in Echtzeit zu überwachen und darauf zu reagieren, wodurch Verluste reduziert und die Effizienz gesteigert wird. Mit dem Anstieg des Datenvolumens wächst die Bedeutung der Neuheitsdetektion und Anomaliedetektion, und sie könnten weiter mit Deep-Learning- und Big-Data-Technologien integriert werden, um die Genauigkeit und Effizienz der Detektion zu verbessern.

Diese Techniken stehen jedoch auch vor Herausforderungen in der Praxis. Die Definition dessen, was in komplexen Datenumgebungen 'normal' ist, und die effektive Erkennung in hochdimensionalen Daten sind Bereiche, die weitere Forschung erfordern. Darüber hinaus erfordert das Training und die Validierung von Modellen eine erhebliche Menge an beschrifteten Daten, die in bestimmten Bereichen möglicherweise nicht leicht verfügbar sind.