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 das Nullgradientenphänomen?

Das Nullgradientenphänomen bezieht sich auf den Zustand, in dem der Gradient einer bestimmten Größe, wie Geschwindigkeit oder Temperatur, in einem bestimmten Bereich null ist. Dieses Phänomen ist in verschiedenen wissenschaftlichen Bereichen von Bedeutung, einschließlich Strömungsmechanik, Materialwissenschaft und Thermodynamik.

In der Strömungsmechanik zeigt ein Nullgradient an, dass die Eigenschaften des Fluids, wie Druck oder Geschwindigkeit, in diesem Bereich einheitlich bleiben, was für das Design und die Analyse von Strömungssystemen entscheidend ist. Das Verständnis dieses Phänomens hilft Ingenieuren, effizientere Systeme zu entwickeln.

In der Materialwissenschaft hilft das Nullgradientenphänomen, vorherzusagen, wie Materialien unter verschiedenen externen Bedingungen reagieren, wie z. B. Spannungs- oder Temperaturänderungen. Durch das Studium dieser Phänomene können Wissenschaftler die Leistung und Langlebigkeit von Materialien verbessern.

Mit dem Fortschritt der Rechenleistung und Simulationstechnologien wird die Fähigkeit zur Untersuchung des Nullgradientenphänomens zunehmen, was potenziell zur Entwicklung neuer Materialien und effizienterer Ingenieurlösungen führen könnte.