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 die Null-zentrierte / Null-bias-Initialisierung?

Die Null-zentrierte oder Null-bias-Initialisierung ist eine Technik, die in der Maschinenlern- und Deep-Learning-Umgebung weit verbreitet ist, um die Anfangsgewichte oder Parameter eines Modells auf null zu setzen. Diese Methode zielt darauf ab, Verzerrungen in den frühen Phasen des Trainings zu vermeiden und die Konvergenzgeschwindigkeit sowie die Gesamtleistung des Modells zu verbessern.

Im Deep Learning hat die Initialisierung der Netzwerkgewichte tiefgreifende Auswirkungen auf die endgültige Leistung des Modells. Durch die Initialisierung der Gewichte auf null kann das Modell die Struktur der Daten während des Trainings besser lernen, ohne die Instabilität, die durch zufällige Anfangsgewichte verursacht wird. Der Schlüssel zu dieser Methode besteht darin, redundante Informationen in den frühen Trainingsphasen zu reduzieren, was dem Modell hilft, schnell optimale Lösungen zu finden.

Allerdings hat die Nullinitialisierung auch Nachteile. Ein Hauptproblem besteht darin, dass, wenn alle Gewichte auf null initialisiert werden, die Ausgaben der Neuronen in einer Schicht während des Vorwärtspropagierungsprozesses gleich sind. Dies kann die effektive Aktualisierung der Gewichte während des Gradientenabstiegs behindern und dazu führen, dass das Modell nicht lernen kann. Daher wird oft empfohlen, in bestimmten Fällen andere Initialisierungsstrategien wie die Xavier- oder He-Initialisierung zu verwenden.