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 Variational Autoencoder (VAE)

Der Variational Autoencoder (VAE) ist ein generatives Modell, das zum Bereich des unüberwachten Lernens gehört. Der zentrale Gedanke ist, die variationalen Inferenz in die Struktur des Autoencoders einzuführen, sodass er die latente Darstellung der Daten lernen und neue Samples generieren kann.

Die Bedeutung des VAE liegt in seiner Anwendung in Aufgaben wie Bildgenerierung, Datenaugmentation und der Imputation fehlender Daten. Er funktioniert, indem er Eingabedaten in eine Verteilung im latenten Raum codiert, anstatt in einen einzelnen Punkt, und erfasst so besser die Vielfalt der Daten.

Ein typisches Anwendungsbeispiel für VAE ist die Generierung von Bildern, Musik und verschiedenen Textarten. Während sich generative Modelle weiterhin weiterentwickeln, wird erwartet, dass der VAE eine größere Rolle in Bereichen wie künstlerischer Schöpfung, virtueller Realität und Datensimulation spielt. Allerdings hat der VAE auch seine Einschränkungen, zum Beispiel kann die Qualität der generierten Samples hinter der von adversarialen generativen Netzwerken (GAN) zurückbleiben.

Bei der Verwendung von VAE sollten Forscher und Entwickler auf die Auswahl der Modellparameter, die Dimension des latenten Raums und Konvergenzprobleme während des Trainings achten. Mit einem geeigneten Design und Tuning kann der VAE viele Anwendungen wirkungsvoll unterstützen.